TensorFlow学习DAY1之基本概念和简单示例

Tensorflow基本概念

TensorFlow程序通常被组织成一个构建图阶段和一个执行图阶段。

①在构建阶段，数据与操作的执行步骤被描述成一个图(graphs)。

②在执行阶段，使用会话(Session)执行构建好的图中的操作。

• 使用图(graphs)来完成计算任务
• 在被称之为会话(Session)的上下文(context)中执行图
• 使用张量(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者从其中获取数据

Tensorflow是一个编程系统，使用图来表示计算任务，图中的节点称之为op，一个op获得0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话里被启动。

Tensorflow结构

import tensorflow as tf
#创建一个常量op
m1 = tf.constant([[3,3]])
#创建一个常量op
m2 = tf.constant([[2],[3]])
#创建一个矩阵乘法op，把m1m2传入
product = tf.matmul(m1,m2)
print(product)

输出结果为

#定义一个会话，启动默认图
sess = tf.Session()
#调用sess的run方法来执行矩阵乘法op
#run(product)触发了图中3个op
result = sess.run(product)
print(result)
sess.close()

输出结果为

结论：要用会话sess的run方法才能正确执行矩阵相乘，之前的代码其实是没有进行计算的。

可以总结成以下代码：（运行结果同上）

with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op
    #run(product)触发了图中3个op
    result = sess.run(product)
    print(result)

变量

import tensorflow as tf
x =tf.Variable([1,2])
a =tf.constant([3,3])
#增加一个加法op和减法op
sub = tf.subtract(x,a)
add = tf.add(x,sub)
#初始化所有变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

输出结果为

下面用TensorFlow实现0到5循环

import tensorflow as tf
#创建一个变量初始化为0,命名counter
state = tf.Variable(0,name='counter')
#创建一个op，作用是使state加1
new_value = tf.add(state,1)
#赋值op方法，不能用等号
update = tf.assign(state,new_value)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

输出结果为

 

Fetch and Feed

Fetch作用：在会话里面同时执行多个op

import tensorflow as tf

#Fetch
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3)
mul = tf.multiply(input1,add)

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

运行结果为

Feed作用

Tensorflow中，对于暂时不能赋值的元素，可以使用占位符，就是先占住位置，等需要时再赋值。它利用tf.placeholder()占住位置，再利用feed赋值。

import tensorflow as tf
#Fetch
#定义两个占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

输出结果为

TensorFlow简单示例

import tensorflow as tf
import numpy as np

#使用numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1 + 0.2

#构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+ b

#二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20 == 0:
            print(step,sess.run([k,b]))

输出结果为

可见训练两百次后，数据逐渐趋近真实值