TensorFlow：基本概念以及练习

Posted 2020-10-28 Felix Wang

一：基本概念

• 1、使用图(graphs)来表示计算任务
• 2、在被称之为会话(Session)的上下文(context)中执行图
• 3、使用tensor表示数据
• 4、通过变量(Variable)维护状态
• 5、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（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个tensor，执行计算，产生0个或多个tensor。tensor看做是一个n维的数组或列表。图必须在会话（Session）里被启动。

二：TensorFlow结构

三：简单练习

1、热身前技巧：

a、首先在桌面创建一个专门用来存放TensorFlow代码的文件夹，以后把全部和TensorFlow相关的代码存放在该文件夹下。

b、打开jupyter：首先打开系统终端（cmd）：进入刚才创建的存放代码的文件夹（比如我的study_tensor）输入：cd C:\\Users\\felix\\Desktop\\study_tensor

进入后输入jupyter notebook

会再浏览器中打开jupyter notebook的编辑环境。（这样打开的话，默认jupyter的工作环境就是刚才创建的文件夹了）

新建工作环境。

如下图表示成功进入工作环境：

2、切入正题，撸代码

shift+enter　　执行代码

tab　　代码提示

shift+tab　　详情提示

 

a、创建图和启动图

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]])
# 创建一个矩阵乘法的op，把m1，m2传入
product=tf.matmul(m1,m2)
print(product) #直接打印并没有执行

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

# 将上一句简化
with tf.Session() as sess:
    # 调用sess的run方法来执行矩阵乘法op
    # run(product)触发图中3个op
    result=sess.run(product)
    print(result)

创建图，启动图

图中的每一个代码块都执行了。（按shift+enter执行）

b、变量

import tensorflow as tf

x=tf.Variable([1,2]) # 创建一个变量op
a=tf.constant([3,3]) # 创建一个常量op
# 增加一个减法op
sub=tf.subtract(x,a)
# 增加一个加法op
add=tf.add(x,sub)
# 初始化全部的变量，不初始化会出问题
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)# 先进行变量的初始化
    print(sess.run(sub))
    print(sess.run(add))


state=tf.Variable(0,name=\'counter\')# 初始化变量为0，可以给变量起名字
new_value=tf.add(state,1) # 创建一个op，作用是使state加1
update=tf.assign(state,new_value) # 将后面的值赋值给前面的值，赋值op
# 初始化全部的变量，不初始化会出问题
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)# 先进行变量的初始化
    print(sess.run(state))
    for i in range(5):
        sess.run(update)
        print(sess.run(state))

变量

c、fetch和feed

import tensorflow as tf

# fetch 可以执行多个op
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) # 乘法op


with tf.Session() as sess:
    result=sess.run([mul,add]) # 同时运行多个op，就是fetch
    print(result)


# feed 以字典的形式传入值
input1=tf.placeholder(tf.float32) # 创建一个占位符，具体的值可以在运行的时候传入
input2=tf.placeholder(tf.float32) # 创建一个占位符
output=tf.multiply(input1,input2)

with tf.Session() as sess:
    # feed的数据以字典的形式传入
    result=sess.run(output,feed_dict={input1:[7.0],input2:[2.0]}) 
    print(result)

fetch和feed

d、简单示例-优化线性模型，使模型接近样本

import tensorflow as tf
import numpy as np  # pip3 install numpy安装


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

# 构造一个线性模型
b=tf.Variable(0.0)
k=tf.Variable(0.0)
y=k*x_data+b

# 使用TensorFlow优化k 和 b 来优化线性模型，使其接近样本

# 二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y)) # reduce_mean求平均值，tf.square计算平方
# 定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2) # 0.2为学习率，梯度下降的优化器
# 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)# 初始化
    for step in range(201):# 进行迭代
        sess.run(train)
        if step%20==0: # 每20次输出一次结果
            print(step,sess.run([k,b]))

# 发现结构k值越来越接近0.1，b值越来越接近0.2

简单示例 优化线性模型