TensorFlow学习笔记

TensorFlow是Google Brain 2015年11月在GitHub开源

TensorFlow官方网址：www.tensorflow.org

GitHub网址：https://github.com/tensorflow/tensorflow

模型仓库网址：https://github.com/tensorflow/models

TensorFlow支持的语言Python、C++、GO、Java，后端语言C++、CUDA（Compute Unified Device Architecture，可以在GPU上执行的语言，需要GPU显卡品牌为NVIDIA）

TensorFlow实现的算法可以在其他异构的系统上方便的移植，比如普通CPU服务器、GPU集群、Android、IPhone

TensorFlow不仅可以执行深度学习算法，还可以用来实现其他算法，包括线性回归、逻辑回归、随 机森林等

TensorFlow建立的大规模深度学习模型应用场景非常广，包括语音识别、自然语言处理、计算机 视觉、机器人控制、信息抽取、药物研发、分子活动预测

为了研究超大规模的深度神经网络，Google在2011年启动了Google Brain项目，比如Google Search中的搜索结果排序、Google Photos中的图片标注、Google Translate中的自然语言处理，都依赖建立的深度学习模型，2016年已经有超过2000个项目使用了TensorFlow建立的深度学习模型

TensorFlow中的计算可以表示为一个有向图（Directed Graph）或者称计算图（Computation Graph），其中每一个运算操作（operation）将作为一个节点（node），计算图描述了数据的计算流程，也负责维护和更新状态，用户通过python，c++，go，Java语言设计这个这个数据计算的有向图，计算图中每一个节点可以有任意多个输入和任意多个输出，每一个节点描述了一种运算操作，节点可以算是运算操作的实例化（instance），计算图中的边里面流动（flow）的数据被称为张量（tensor），故得名TensorFlow

有向无环图相关算法：CNN（卷积神级网络）、ANN（人工神经网络）、DNN（深度神经网络）

有向有环图相关算法：RNN（循环神经网络）

pip install –upgrade --user tensorflow==版本号 以更新依赖包管理员身份安装TensorFlow

tensorflow.__version__获取TensorFlow版本

tf.Variable生成变量节点

tf.device指定运行每一个操作的设备（本地CPU/GPU或远程服务器），每一个可用设备有相应的名称比如CPU在TensorFlow中的名称为/cpu:0，默认情况下不区分多个CPU名称所有CPU都使用/cpu:0作为名称，GPU名称/gpu:n（序列号n从0开始）

设置log_device_placement参数可以在生成会话时打印运行每一个运算的设备和运算的操作

TensorFlow默认优先选择GPU

TensorFlow程序会分为两部分，第一部分是构建阶段（创建计算图，通常建立表示机器学习模型的的计算图，和需要去训练模型的计算图），第二部分是执行阶段（通常运行Loop循环重复训练步骤，每一步训练小批量数据，逐渐的改进模型参数）

1.eval()

eval(expression[, globals[, locals]])
expression ： 表达式。
globals ： 变量作用域，全局命名空间，如果被提供，则必须是一个字典对象。
locals ： 变量作用域，局部命名空间，如果被提供，可以是任何映射对象。
举例：
1、简单表达式
print(eval(‘1+2’))
输出结果：3
2、字符串转字典
print(eval("{‘name’:‘linux’,‘age’:18}")
输出结果：{‘name’:‘linux’,‘age’:18}
3、传递全局变量
print(eval("{‘name’:‘linux’,‘age’:age}",{“age”:1822}))
输出结果：{‘name’: ‘linux’, ‘age’: 1822}
4、传递本地变量
age=18
print(eval("{‘name’:‘linux’,‘age’:age}",{“age”:1822},locals()))
输出结果：{‘name’: ‘linux’, ‘age’: 18}

2.tf.placeholder(dtype, shape=None, name=None)

参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以多维，比如：[None，3]，表示列是3，行不一定
name：名称。
返回：
Tensor类型

3.with语句

tensorflow 学习过程中，经常用到with，值得一说。
With要搭配上下文管理器（Context Manager）对象使用。

所谓的上下文管理器对象，就是实现了上下文管理器协议（Context Manager Protocol）的对象。协议要求对象定义中必须实现__enter__()和__exit__()方法。

当看到下面语句时：

With Context Manager Object [as target]：
    Body

它有4个意思：

With块会在Body开始前自动调用Context Manager Object的__enter__()方法；
With块会在Body结束前自动调用Context Manager Object的__exit__()方法，即使Body还未执行完时发生了异常，exit()也总会被调用；
Body中出现异常时，Context Manager Object的__exit__()执行如果返回False，异常继续向上层抛出，如果返回True则该异常被忽略；
可选的as target并非是Context Manager Object本身，而是其调用__enter__()的返回值；
总的来说，With语句帮助上下文管理器对象实现了两个自动化的操作enter和exit，并充分考虑了异常情况。对于资源类对象（用完需要尽快释放）的使用，比如文件句柄、数据库连接等等，这无疑是一种简洁而完善的代码形式。