Tensorflow使用（一）—— Session，placeholder，以及新旧版本的配置

关于Tensorflow

说实话这到底是个啥我还没明白（明白了再删这句话）。

也并不准备了解的多么详细，还是老办法，只看看用过的用到的，其他那些慢慢来，又不是准备考试，也没必要一口吃成大胖子。

不废话了。

因为是在学强化学习的过程中使用到了tensorflow，所以找到的代码是movan几年前提供的，他用的tensorflow版本是1.0大概。虽然现在2020年已经更新到了2.0版本，但是为了方便，又考虑到自己是个菜鸡， 就先看1.0版本吧，2.0里做的那些改动等日后若是需要进阶学习 tf 再了解也不迟。
所以导入的时候使用

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

这样，就可以继续使用1.0中的一些函数。第二句的作用是屏蔽一些紧急操作而出现的错误，比如在调用placeholder的时候，如果没有这一句，依然会因为eager execution而出错。（感谢大佬们的细致研究，佩服佩服，啥都会处理）
附一个大佬链接 https://blog.youkuaiyun.com/qq_39777550/article/details/104224296

一些用过的函数

Session

小助教说，可以把session看成是一张白纸，可以在上面写东西。

在tf中，必须先定义变量，并且必须进行 initialize变量，通过下面给出的方法（直接run(initializer) 或者 定义init函数之后run(init)）

tf.assign(a, b) 是将b的值赋给a，然后返回的值是a赋值之后的值。

在tf的变量中，要想进行print或者赋值assign等一系列操作，在定义这些操作的时候是并没有执行的，只有在sess.run()这些操作才是真正的执行。也就是说，所有的操作都要通过sess.run()来执行。

import tensorflow as tf

state = tf.Variable(0)  #这时变量state赋予初始值0
one = tf.constant(1)    #one赋值常量1
update = tf.assign(state, one)

init = tf.global_variables_initializer()  #变量初始化的函数

with tf.Session() as sess:
	sess.run(init)  #必须先初始化所有变量，并且要以这种方式
	# 也可以
	# sess.run(tf.global_variables_initializer())
	print(sess.run(update))  # 通过这种方式打印结果
	

还有，小助教给的创建变量的方法是这样的，使用的是tf.get_variable() 函数：

var_init_value = [[2.0, 4.0, 6.0]]
var = tf.get_variavle( name = 'myvar',
		       shape = [1, 3],
		       dtype = tf.float32,
		       initializer = tf.constant_initializer(var_init_value)
		     )
print(var)

别忘了变量需要 initializer 激活！

placeholder

这个函数在新版本中被移除了，但是movan的代码里就是靠这个函数在运作。且不管这么多了。

placeholder是tf中的占位符，暂时储存变量。Tensorflow如果想要从外部传入data，就要用到 tf.placeholder() ，然后进行下面操作：

#需要定义placeholder的type，一般是float32
input1 = tf.placeholder(dtype = tf.float32, shape = [None], name = "a_placeholder") 
input2 = tf.placeholder(dtype = tf.float32, shape = [None], name = "b_placeholder")

output = tf.multiply(input1, input2)

# 需要传入的值放在feed_dict中，并且一一对应
with tf.Session() as sess:
	print(sess.run(output, feed_dict = {input1 : [7.], input2 : [2.]}))
	# 结果是14

还要注意的是，tf的运算非常高级，当你进行矩阵的运算，就算两个相运算的矩阵维度不一样，他也会自动匹配成一样的矩阵。虽然可以利用这种性质（叫做broadcasting），但是在当你无意识犯错的时候，他是不会报错的……一定小心。

Tips

• 可以用 tf.global_variables() 打印出所有的变量，以检查自己在优化的变量是哪些，有没有错误。
• 可以用help(tf.reduce_mean) 来看看这个函数的用法。