tensorflow学习1

Posted 2020-10-30 chenke-cheng

写在前面：

today,2018.04.09，4.1的蓝桥杯不太理想，自己对未来还是充满了希望的，至此从2017年11月左右开始接触tensorflow,一直的学习都比较间断，但是还是做了一些实际的实验的使用，但是深知自己对于tensorflow的理解的并不是很深入，再此之前学习过C++和相应的算法，和Python的一些使用，从今天开始期望用一个月左右的时间深入学习tensorflow，并在学习中进行一定的应用，并完成相关论文的写作，活用活学。对了，忘了补充现在作者的境况，作者目前就读于一所普通大学，专业电子方向，深度学习可以应用于本学科的交叉学科的应用。

废话少说开始进行第一阶段的学习：

1.图&会话（session）

import tensorflow as tf
hello=tf.constant("hello world")
sess=tf.Session()%创建会话
(sess.run(hello).decode(‘utf-8‘)）%如果不加入decode(‘utf-8‘),output->b‘hello word‘,加上则output->hello word

2.placehoder(占位符)

tf.placehoder(dtype,shape=None,name=None)

dype:占位符的数据类型 shape：占位符的维度，[2,2]代表2*2的二维矩阵，None可以代表任意维度，例如【None,2】代表任意的行数，2列的二维矩阵，name 占位符的名字。

和C++/C一样变量定义时要进行初始化，但是有些数据需要我们从外部输入的，但并不知道变量的值，如训练的数据是从外部进行输入的，这个时候就需要我们使用占位符进行占个位置，等到真正运行时再通过输入数据赋值。

x=tf.placehoder(tf.float32,[2,2])

生成一个2*2的二维矩阵，矩阵的每个元素的类型都是tf.float32(浮点型)

有时候需要定义训练的参数的时候，会定义一个【input_size,output_size】大小的矩阵，其中input_size为输入数据的维度，output_size为输出数据的维度。

3.variable ——变量

变量在初始化的时候需要一个初始值

x=tf.Variable(tf.zeros([2,2])) 声明一个2*2的矩阵，矩阵中所有的元素的值都为0，默认元素的类型为tf.float32

y=tf.Variable(1.0,tf.flot32) 声明一个变量 value 1.0,数据的类型 tf.float32 类型

需要注意的是，变量的初始化还需要运行global_variables_initializer

4.constant  常量

x=tf.constant(1.0,tf.float32)---->同样第一个为value,第二个为dtype.

5. Session 会话

Notice! tensorflow所有的操作都必须放在Session中进行，才会真正起到作用，可以将Session当作tensorflow的运行环境，Session运行后需要close,

但是可以使用

with tf.Session() as sess:#把sess,run()放在 with tf.Session() as sess:之中就不需要

with tf.Session() as sess:

　　sess.run(...)

6.变量的数值计算

介绍一下，3+5使用tensorflow进行计算的方法。

import tensorflow as tf

x=tf.Variable(1.0,tf.int16)

y=tf.Variable(2.0,tf.int16)

z=tf.add(x,y)

init=tf.global_variables_initializer()

with tf.Session() as sess:

　　sess.run(init)

　　print(sess.run(z))

注意这里输出3.0

注意变量的初始化：init=tf.global_variables_initializer()----------------》同时还要紧跟一个在Session()中 sess.run(z)--->这样的话变量才会被初始化。

7.0变量和张量的数值计算

（1）零维张量的计算

定义常量，常量不需要定义 global_variables_initializer() 和 sess.run()

import tensorflow as tf

x=tf.constant(1.0)

y=tf.constant(2.0)

with tf.Session() as sess:
    print("add result %i" % sess.run(x+y))
    print("mult %i" % sess.run(x*y))
   
add result 3
mult 2

（2）二维张量的计算(有问题，这个矩阵相乘的过程)

matrix1 = tf.constant([[3,3]])

matrix2 = tf.constant([[2],[2]])
product = tf.matmul(matrix1,matrix2)
with tf.Session() as sess:
　　result = sess.run(product)
     print(result)

输出结果  [[12]]

（3）占位符变量的计算

a=tf.placeholder(tf.int16)

b=tf.placeholder(tf.int16)

c=tf.add(a,b)

d=tf.multiply(a,b)

with tf.Session() as sess:

　　 print(" add result %i" % sess.run(c,feed_dict={a:2,b:3}) )

输出结果：  add result 5

　(4)变量加常量的计算，还是变量

 

import tensorflow as tf

 

state=tf.Variable(0,name="counter")

 

print(state)

下面为print的结果
<tf.Variable ‘counter:0‘ shape=() dtype=int32_ref>

import tensorflow as tf

state=tf.Variable(0,name="counter")

print(state)
<tf.Variable ‘counter:0‘ shape=() dtype=int32_ref>

ones=tf.constant(1)

new_values=state+ones#常量加变量仍然等于变量=====tf.add(state,ones)

updata=tf.assign(state,new_values)#更新new_values节点到state节点

init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for i in range(3):
        sess.run(updata)
        print(sess.run(state))
 result:       
1
2
3

后记：

1.tf.constant()不需要定义init=tf.global_variables_initializer()--->并执行sess.run()进行初始化变量,而变量需要。

2.tf.variable()需要进行初始化

3.占位符 tf.placeholder()类似于给变量开空间，方便在外部进行输入数据，输入数据使用字典feed_dict={a:2,b:3}

如 x=tf.placeholder([None,2],tf.flaot32)---->[None,2] 代表未知行，2列的二维矩阵。

在with tf.Session() as sess:中 使用sess.run()----->sess.run(add,feed_dict={a:2,b:3}))------->此列子代表为输入赋值。

4.tensorflow的任意操作都必须使用Session进行运行。