TensorFlow入门-关于tensorflow官方文档的学习

基本使用

• TensorFlow使用 图(graph) 来表示计算任务。
• 在被称为 会话(Session) 的 上下文(context) 中执行图。
• 使用 tensor 表示数据。
• 通过 变量(Variable) 维护状态。
• 使用 feed 和 fetch 可以为任意的操作赋值或从其中获取数据。

图用来表示计算的过程
TensorFlow使用图来表示计算任务。图中的节点被称为op(operation 的缩写)。一个 op 获得0个或多个Tensor，执行计算，产生0个或多个Tensor。每个Tensor是一个类型化的多维数组，例如一张图像可表示为一个四位浮点数数组，分别为[batch, height, width, channels]。

会话用来执行图
图 描述了计算的过程，但 图 必须在 会话中启动，会话 会将图的 op 分发到CPU或GPU，并提供执行op的方法，最终返回执行后的 tensor。python中返回的tensor是 numpy的 n维数组。

eg:

import tensorflow as tf

#创建一个常量op，产生1*2的矩阵
matrix1 = tf.constant([[3., 3.]])
#另一个
matrix2 = tf.constant([[2.],[2.]])

#创建矩阵乘法op，传入'matrix1' 'matrix2'
data = tf.matmul(matrix1, matrix2)

上面的图就已经构建好了，接下来该启动并执行它

启动图的第一步是创建一个Session对象，如果没有任何参数，会话会启动默认图

sess = tf.Session() 
#这是个函数，必须加括号，如果忘记这个括号，会提示  run() missing 1 required positional argument: 'fetches' ！！！
result = sess.run(data)
print(result)

#任务完成，关闭会话
sess.close()

Session对象在使用完成后需要关闭以释放资源，除了 close外，还有 ‘with’。

with tf.Session() as sess:
    result = sess.run([data])
    print(result)

通常情况下，TensorFlow不需要你指定使用CPU还是GPU，它会自动检测，如果能检测到GPU，它会使用检测到的第一个GPU来执行操作，但是如果你有多个GPU，并且想多任务分不同的GPU执行，那就必须将op指派给指定的GPU。如下：

with tf.Session() as sess:
    with tf.device("/gpu:1"):
        matrix1 = tf.constant([[3.,3.]])
        matrix2 = balabala....

• " /cpu : 0" :指CPU
• " /gpu : 0" ：之第一个GPU，如果有的话
• " /gpu : 1" ：第二个，以此类推

交互式使用

为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用 InteractiveSession 代替 Session 类, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run() . 这样可以避免使用一个变量来持有会话.

理解： 交互式可以让我们更加灵活的构建代码，可以在运行图的时候，插入一些计算图，即可以不必事先定义完整个计算图。 而当你不使用 InteractiveSession 类时，那你需要在启动Session之前构建整个计算图，才能启动计算。

#进入一个交互式 TensorFlow 会话。

import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

#使用初始化器 initializer op 的run() 方法初始化  'x'
x.initializer.run()
# 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果
sub = tf.sub(x, a)
print sub.eval()
# ==> [-2. -1.]

Tensor

TensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor. 你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表.

变量
变量维护图执行过程中的状态信息. 下面的例子演示了如何使用变量实现一个简单的计数器.

# 创建一个变量, 初始化为标量 0.
state = tf.Variable(0, name="counter")

# 创建一个 op, 其作用是使 state 增加 1
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 启动图后, 变量必须先经过`初始化` (init) op 初始化,
# 首先必须增加一个`初始化` op 到图中.
init_op = tf.global_variables_initializer()

# 启动图, 运行 op
with tf.Session() as sess:
    sess.run(init_op)
    print (sess.run(state))

    for _ in range(3):
        print (sess.run(update))

代码中assign() 操作是图所描绘的表达式的一部分, 正如add() 操作一样. 所以在调用run() 执行表达式之前, 它并不会真正执行赋值操作.
通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor.

Fetch

为了取回操作的输出内容, 可以在使用Session 对象的run() 调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点state , 但是你也可以取回多个 tensor:

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.multiply(input1, intermed)

with tf.Session() as sess:
    result = sess.run([mul, intermed])
    print(result)

需要获取的多个 tensor 值，在 op 的一次运行中一起获得（而不是逐个去获取 tensor）。

Feed

上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制 可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor.
feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为run() 调用的参数. feed只在调用它的方法内有效, 方法结束, feed 就会消失. 最常见的用例是将某些特殊的操作指定为 “feed” 操作,
标记的方法是使用 tf.placeholder() 为这些操作创建占位符.

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

注： 个人感觉这里像是python写程序中定义一个函数，开始定义的都想当与局部变量，后面的 feed 像是语句像是给函数中传入 数值，得出结果。