tensorflow练习上手

Tensorflow练习上手

基于tensorflow 1.5.0 CPU版本或tensorflow 1.3.0（依撰写时电脑环境定）

1.第一个Tensorflow网络

打开Jupyter Notebook开始第一个Tensorflow网络实践。

tensorflow版本为1.5.0 CPU

import tensorflow as tf       #导入tensorflow，并命名为tf
a = tf.constant(3, name='input_a')   #申明一个常量节点，取数值为3，命名为input_a
b = tf.constant(5, name='input_b')   #申明一个常量节点，取数值为5，命名为input_b
c = tf.multiply(a,b,name='mult_c') #申明一个乘法输出节点，为a,b的积，命名为mult_c
d = tf.add(a,b, name='add_d')       #申明一个加法输出节点，为a,b的和，命名为add_d
e = tf.add(c,d, name='add_e')       #申明一个加法输出节点，为c,d的和，命名为add_e
sess = tf.Session()            #申明一个tensorflow Session变量，任何一个tensorflow网络都需要一个Session变量，以便后续进行运行
sess.run(e)                    #运行网络，输出节点e

执行的结果为

23

该结果为3 * 5 + 3 + 5 = 23

这里23是运行结果。我们可以使用“="将运行结果赋值给某个变量。比如：

output = sess.run(e)

这里在cmd下执行会有一个提示：

Your CPU supports instructions that this TensorFlow binary was not compiled to use:AVX

这里并不深究原因，毕竟是第一个tensorflow网络，只要能跑下去，暂且不管性能的问题。

2.将网络数据流图可视化

打开之前的简单tensorflow网络

tensorflow版本为1.5.0 cpu

可视化的目的是为了更好的理解以及介绍网络。要使用可视化，需要使用TensorBoard。TensorBoard会伴随Tensorflow一起安装。

首先需要创建一个SummaryWriter对象，并用之来保存数据流图的数据和概括统计量。

writer = tf.summary.FileWriter('./my_graph',sess.graph)    #将sess的数据流图和数据和概括统计量存入执行目录下的my_graph目录，输入为sess的graph属性

此时找到当前python执行的my_graph文件夹，查询是否有执行后的graph文件。一般命名为：

events.out.tfevents.1519047535.XXXX

这里xxxx是电脑名。这说明writer这句执行成功。

然后在cmd执行

c：\>tensorboard --logdir="my_graph" #启动tensorboard并画出之前存的graph文件。

注意这里logdir后面是“=”号，没有空格，"mygraph"不能用'mygraph'。否则都会因为找不到文件夹而显示没有图标。

命令输入后会显示：

TensorBoard 1.5.1 at http://XXXX:6006 <Press CTRL+C to quit>

新开一个浏览器，在地址栏输入http://XXXX:6006，即可进入TensorBoard界面。

完成查看后，使用以下命令撤销使用的资源，结束本次练习。

writer.close()
sess.close()

3.将上述的网络变为以张量表示

所谓张量，其实也可以称为向量，不过这里为了区别于数学中的定义，称为张量。 下面回到之前的网络：

tensorflow版本为1.5.0 GPU

import tensorflow as tf
a = tf.constant([5,3], name='input_a') #定义一个张量常数，该张量（向量）为1维，替代之前a,b两个常数，并命名为input_a
b = tf.reduce_prod(a, name='prod_b')   #张量乘法，当引入的为张量时，可以接收所有张量并进行乘法操作，此处为5*3
c = tf.reduce_sum(a, name='sum_c')     #张量加法，当引入的为张量时，可以接收所有的张量并进行加法操作，此处为5+3
d = tf.add(b,c, name='add_d')
sess = tf.Session()
sess.run(d)

计算的结果为23，即5*3+5+3 = 23

4.张量的形状

前面推出了从常数到张量的演变。下面介绍张量的表示方式。

在matlab里，申明一个3*4维矩阵使用如下语句：

matrix_1 = zeros(4*3);

这里(4*3)描述了这个矩阵的形状。同样，在tensorflow中定义一个张量的形状（shape）用类似的方法。由于张量可以是列表(list)，也可以是元组（tuple)。因此分开写。

tensorflow版本为1.5.0 GPU

#list型
a = []            #定义一个0阶张量，即常数
b = [3]           #定义一个长度为3的1阶张量，即1维向量
c = [3,2]         #定义一个3*2维张量
d = [None]        #定义一个任意长度的张量
e = [None,3]      #定义一个行数任意，列数为3的2阶张量
f = [3,None,None] #定义一个一维为3，2，3维长度任意的3阶张量
#tuple型
a = ()   #定义一个0阶张量，即常数
b = (3)  #定义一个长度为3的1阶张量，即1维向量
c = (3,2)#定义一个3*2维张量
d = (None)        #定义一个任意长度的张量
e = (None,3)      #定义一个行数任意，列数为3的2阶张量
f = (3,None,None) #定义一个一维为3，2，3维长度任意的3阶张量

若想知道一个张量的维度，可以使用".shape"来查询。

import tensorflow as tf
a = []            #定义一个0阶张量，即常数
b = [3]           #定义一个长度为3的1阶张量，即1维向量
c = [3,2]         #定义一个3*2维张量
d = [None]        #定义一个任意长度的张量
e = [None,3]      #定义一个行数任意，列数为3的2阶张量
f = [3,None,None] #定义一个一维为3，2，3维长度任意的3阶张量   
shape_a = tf.shape(a, name='shape_a')  #定义张量a的shape名字为shape_a
shape_b = tf.shape(b, name='shape_b')  #定义张量b的shape名字为shape_b 这里名字重名并不影响结果，可能影响可视化图上的名称标注
shape_c = tf.shape(c, name='shape_c')  #定义张量c的shape名字为shape_c 这里名字重名并不影响结果，可能影响可视化图上的名称标注
#shape_d = tf.shape(d, name='shape_d') #长度里头有None这种不确定项的无法使用shape命令
sess.tf.Session()
output = []
output.append(sess.run(shape_a))
output.append(sess.run(shape_b))
output.append(sess.run(shape_c))

output的输出为

[array([0]), array([1]), array([2])]