【tensorflow 深度学习】1.tensorflow的启动，变量的使用以及fetch和feed的使用

1.tensorflow基本概念

    使用图（graphs）来表示计算任务

    在被称之为会话（Session）的上下文（context）中执行图

    使用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（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 看作是一个 n 维的数组或列表。图必须在会话（Session）里被启动。

2.用python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, 把m1和m2传入
product=tf.matmul(m1,m2)
print (product)

#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)
#关闭会话
sess.close()

#下面这种定义方法不需要close:
#with tf.Session() as sess:
#    result=sess.run(product)
#    print(result)

3.变量的使用

import tensorflow as tf
x=tf.Variable([1,2])
a=tf.constant([3,3])
#增加一个减法op
sub=tf.subtract(x,a)
#增加一个加法op
add=tf.add(x,a)
#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))

结果：

    

import tensorflow as tf
#创建一个变量，初始化为0
state=tf.Variable(0,name='counter')
#创建一个加法op,作用是使state加1
new_value=tf.add(state,1)
#赋值op
update=tf.assign(state,new_value)
#初始化所有变量
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))

结果：

    

4.fetch 在一个会话里执行多个op，得到其结果

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)

结果：

    

feed可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor.

import tensorflow as tf
#Feed
#创建占位符
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:[7.0],input2:[2.0]}))

结果：

    

5.使用案例

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  0.2学习率
optimizer=tf.train.GradientDescentOptimizer(0.2)
#定义一个最小化代价函数
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]))
    

结果：