Tensorflow 基础用法

Tensorflow 基础用法

# !pip install tensorflow

tf.Variable(initializer,name)

• 参数：initializer是初始化参数
• name：是可自定义的变量名称
• 推荐使用float32

tf.matmul(w, x)

• w ，x 的维度和类型必须一致。
• 输入w ，x 必须是矩阵或者维度大于2的tensor。
• 专门矩阵或者tensor乘法，而不是矩阵元素对应元素相乘。

tf.global_variables_initializer

• 在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。
• 想要将所有图变量进行集体初始化时应该使用tf.global_variables_initializer。

AttributeError: module ‘tensorflow’ has no attribute ‘random_normal’

• tf.random_normal
• tf.random.normal

tf.random.normal(shape=[4,3],mean=0,stddev=1)

<tf.Tensor 'random_normal_2:0' shape=(4, 3) dtype=float32>

AttributeError: module ‘tensorflow’ has no attribute ‘global_variables_initializer’

• tf.global_variables_initializer()
• tf.compat.v1.global_variables_initializer()

AttributeError: module ‘tensorflow’ has no attribute ‘Session’

• tf.Session()

• tf.compat.v1.Session()

• 当eager execution开启的时候，loss应该是一个Python函数。

• 在Tensorflow 2.0 中，eager execution 是默认开启的。

• 所以，需要先关闭eager execution

• tf.compat.v1.disable_eager_execution()

import tensorflow as tf

# 创建变量
v1=tf.Variable(tf.random.normal(shape=[4,3],mean=0,stddev=1),name='v1')
v2=tf.Variable(tf.constant(2),name='v2')
v3=tf.Variable(tf.ones([4,3]),name='v3')

# 个别变量初始化
# init_op = v3.initializer()

tf.compat.v1.disable_eager_execution()

# 将所有图变量进行集体初始化
init_op = tf.compat.v1.global_variables_initializer()

# 创建会话
with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    
    # 输出变量值
    print(sess.run(v1))
    print(sess.run(v2))
    print(sess.run(v3))

[[ 1.2573713  -0.21383092  0.2820194 ]
 [ 1.3747884  -0.9983631  -0.75616807]
 [-0.9669721   0.87451565  0.83416873]
 [-0.47897404 -0.21675622  0.9892974 ]]
2
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

import tensorflow as tf

# python里创建变量
a = 3

# tensorflow里创建变量
# Create a variable.
w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]]) 

y = tf.matmul(w, x)


# 推荐写法
# variables have to be explicitly initialized before you can run Ops
init_op = tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    
    # 输出变量值
    print (y.eval())

# 不推荐
# sess.run(init_op)

[[2.]]

生成tensor

tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(tensor, dtype=None, name=None)
tf.constant(value, dtype=None, shape=None, name='Const')
tf.fill(dims, value, name=None)
tf.ones_like(tensor, dtype=None, name=None)
tf.ones(shape, dtype=tf.float32, name=None)

生成序列

tf.range(start, limit, delta=1, name='range')
tf.linspace(start, stop, num, name=None)

生成随机数

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
tf.random_shuffle(value, seed=None, name=None)

# 数据类型：推荐float32
# 与numpy类似

# 创建0填充矩阵
tf.zeros([3, 4], int32) ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]]

# 'tensor' is [[1, 2, 3], [4, 5, 6]]
tf.zeros_like(tensor) ==> [[0, 0, 0], [0, 0, 0]]
tf.ones([2, 3], int32) ==> [[1, 1, 1], [1, 1, 1]]

# 'tensor' is [[1, 2, 3], [4, 5, 6]]
tf.ones_like(tensor) ==> [[1, 1, 1], [1, 1, 1]]

# 创建常量
# Constant 1-D Tensor populated with value list.
tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7]

# Constant 2-D tensor populated with scalar value -1.
tensor = tf.constant(-1.0, shape=[2, 3]) => [[-1. -1. -1.]
                                              [-1. -1. -1.]]

tf.linspace(10.0, 12.0, 3, name="linspace") => [ 10.0  11.0  12.0]

# 'start' is 3
# 'limit' is 18
# 'delta' is 3
tf.range(start, limit, delta) ==> [3, 6, 9, 12, 15]

random_shuffle(value, seed=None, name=None)

参数：

• value：将被打乱的张量.
• seed：一个 Python 整数.用于为分布创建一个随机种子.查看 tf.set_random_seed 行为.
• name：操作的名称(可选).

返回：

• 与 value 具有相同的形状和类型的张量,沿着它的第一个维度打乱.

举例

随机地将张量沿其第一维度打乱.
张量沿着维度0被重新打乱,使得每个 value[j] 被映射到唯一一个 output[i].例如,一个 3x2 张量可能出现的映射是：

[[1, 2],       [[5, 6],
 [3, 4],  ==>   [1, 2],
 [5, 6]]        [3, 4]]

# 创建随机矩阵（2，3）
# mean：均值
# stddev：方差
norm = tf.random.normal([2, 3], mean=-1, stddev=4)

# 创建变量（3，2）
c = tf.constant([[1, 2], [3, 4], [5, 6]])

# Shuffle the first dimension of a tensor
shuff = tf.random.shuffle(c)

# 推荐使用with结构
# Each time we run these ops, different results are generated
sess = tf.compat.v1.Session()
print (sess.run(norm))
print (sess.run(shuff))

[[-2.4224548  0.9436902 -2.3370779]
 [-5.3113627 -4.1880174 -3.6686687]]
[[1 2]
 [5 6]
 [3 4]]

AttributeError: module ‘tensorflow’ has no attribute ‘assign’

• tf.assign()
• tf.compat.v1.assign()

# 变量
state = tf.Variable(0)

# 常量
one = tf.constant(1)

# 对常量与变量进行简单的加法操作
# 这点需要说明的是： 在TensoorFlow中，所有的操作op，变量都视为节点
# tf.add() 的意思就是在tf的默认图中添加一个op，这个op是用来做加法操作的。
new_value = tf.add(state, one)

# 赋值操作。将new_value的值赋值给update变量。
update = tf.compat.v1.assign(state, new_value)


# 此处用于初始化变量。但是这句话仍然不会立即执行。
# 需要通过sess来将数据流动起来 。
# 切记：所有的运算都应在在session中进行。
init = tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:  # 此处自动开启一个session
    # 对变量进行初始化，执行（run）init语句
    sess.run(init) 
    
    # 打印输出
    print(sess.run(state))    
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

0
1
2
3

AttributeError: module ‘tensorflow_core._api.v2.train’ has no attribute ‘Saver’

• tf.train.Saver()
• tf.compat.v1.train.Saver()

# 保存变量，也可以指定保存的内容
#tf.train.Saver

w = tf.Variable([[0.5,1.0]])
x = tf.Variable([[2.0],[1.0]])
y = tf.matmul(w, x)

init_op = tf.compat.v1.global_variables_initializer()

saver = tf.compat.v1.train.Saver()

with tf.compat.v1.Session() as sess:
    sess.run(init_op)
    # Do some work with the model.
    # Save the variables to disk.
    save_path = saver.save(sess, "model/test")
    print ("Model saved in file: ", save_path)

Model saved in file:  model/test

# numpy 转换 tensorflow
# 不推荐

import numpy as np
a = np.zeros((3,3))
ta = tf.convert_to_tensor(a)

with tf.compat.v1.Session() as sess:
     print(sess.run(ta))

[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

AttributeError: module ‘tensorflow’ has no attribute ‘placeholder’

• tf.placeholder(tf.float32)
• tf.compat.v1.placeholder(tf.float32)

AttributeError: module ‘tensorflow’ has no attribute ‘mul’

• tf.mul(input1, input2)
• tf.multiply(input1, input2)

# 占位
input1 = tf.compat.v1.placeholder(tf.float32)
input2 = tf.compat.v1.placeholder(tf.float32)

output = tf.multiply(input1, input2)

with tf.compat.v1.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

[array([14.], dtype=float32)]