【TensorFlow】 tensorflow基础学习1

1、张量

张量是TensorFlow的主要数据结构，TensorFlow 基于张量管理，张量是数学领域的概念，可以理解为向量或者矩阵的泛化形式。在TF中，一个张量就是一个张量类的实例，是绑定了相关运算的一个特定类型的多维数组。

1.1 张量的属性

(1) 阶

阶	数学实体	代码示例
0	Scalar(纯量)	scalar=1000
1	Vector(向量)	vector=[2,8,3]
2	Matrix(矩阵)	matrix=[[4,2,1],[5,3,2],[5,5,6]]
3	3-tensor(立方体)	tensor=[[[4], [3], [2]], [[5], [2], [1]], [[8], [1], [12]]]
n	n-tensor(n阶张量)	…

由上面的表格可以看到，张量的阶其实就是纯量叠加的次数，
向量=[纯量1,纯量2,…,纯量n], 叠加一次
矩阵=[向量1,向量2,…,向量k]=[[纯量11,纯量12,…,纯量1n],…,[纯量k1,纯量k2,…,纯量kn]]，叠加两次

(2) 形状
张量的形状代表的是张量每一个阶的元素个数。例如二阶张量[[1,2,3],[4,5,6]] 的形状就是 [2, 3]，可以看到这个二阶张量（矩阵）的形状[2, 3]表示的是包含2个一阶张量，每个一阶张量包含3个0阶张量。

阶	形状	维数	例子
0	[]	0-D	4
1	[D0]	1-D	[2]
2	[D0, D1]	2-D	[6, 2]
3	[D0,D1,D2]	3-D	[7,3,2]
n	[D0,D1,D2,…,Dn-1]	n-D	形状为[D0,D1,D2,…,Dn-1]的张量

(3) 数据类型

数据类型	python类型	描述
DT_FLOAT	tf.float32	32位浮点型
DT_DOUBLE	tf.float64	64位浮点型
DT_INT8	tf.int8	8位有符号整型
DT_INT16	tf.int16	16位有符号整型
DT_INT32	tf.int32	32位有符号整型
DT_INT64	tf.int64	64位有符号整型
DT_STRING	tf.string	可变长度的字节数组，每一个张量元素都是一个字节数组
DT_BOOL	tf.bool	布尔型

1.2 创建新张量

我们既可以直接创建，也可以从numpy库中继承。

import tensorflow as tf
import numpy as np
x = tf.constant(np.random.rand(32).astype(np.float32))
y = tf.constant([1,2,3])

numpy数组和tensorflow张量可以互相操作

import tensorflow as tf
import numpy as np
x_data = np.array([[1.,2.,3.],[3.,2.,6.]])
x = tf.convert_to_tensor(x_data, dtype=tf.float32)

2、图基础知识

每一个tensorflow程序的核心是代码里描述的计算图，一个计算图是一种特殊类型的有向图，用来定义确定的计算结构。tensorflow，本质上是一系列函数链接在一起，每一次运行沿着链把它的输出给到更远的0个，1个或多个函数上，通过这种方式，用户可以利用多块更小的，更易于理解的数学函数对数据进行转化。

上面这个图展示了一个最简单的加法运算，这个圆代表加法函数，有两个输入，1和2，由箭头指向这个函数，有一个输出结果3，用箭头从函数指向外部，这个输出结果可以再作为下一步函数的输入，也可以作为最终结果返回给客户端。
这个简单的例子里包含两个概念：节点和边

• 节点： 一般会用圆形、椭圆形或者矩形描述，表示在整个图内会有一类关于数据的计算或者操作在此处完成，如上图中的圆形就是一个单独的节点
• 边： 传递到操作（函数）中的实际的值，通常用箭头表示，上面例子中，1，2是输入节点的两个边，3是从节点输出的边，我们可以把边当作信息的载体，也是连接不同节点的 “链” 。

图2 是稍微复杂的计算图。废话不多说，直接上代码

import tensorflow as tf
# 这里 tf.constant() 是tensorflow的一个Operation，简称 Op
# 在TF 里，任何的计算节点都称为 Operation
a = tf.constant(5, name="input_a")
b = tf.constant(3, name="input_b")
# c, d 两个节点是由之前定义的 a,b两个节点作为输入
c = tf.multiply(a, b, name="mul_c")
d = tf.add(a, b, name="add_d")
e = tf.add(c, d, name="acc_e")

前面是用常量作为输入，这里我们用张量测试一下。

import tensorflow as tf
a = tf.constant([5,3], name='input_a')
b = tf.reduce_prob(a, name='prob_b')
c = tf.reduce_sum(a, name='sum_c')
d = tf.add(b, c, name='add_d')
sess = tf.Session()
sess.run(b)

2.1 Graph

到目前为止，我们只是把“图”作为TF中某种抽象的，全方位的存在。我们并没有问为什么在写代码的时候这些 Ops 是如何自动加载到图里的，接下来看一些例子，来学习如何创建图，如何使用多图互相结合。

import tensorflow as tf
# create a new graph:
g = tf.Graph()

一旦图被初始化，我们就可以利用 as_default() 方法往图里添加Ops

import tensorflow as tf
# create a new graph:
g = tf.Graph()
with g.as_default():
    # create operation as usual ,they will be added to graph g
    a = tf.multiply(2, 3)

你可能会疑惑，为什么之前的Ops不需要这样添加到graph里？这是因为tensorflow在加载库的时候会自动的创建一个graph并将其设置为默认的graph，在Graph.as_default（）上下文管理器之外定义的任何操作、张量等都将会自动放置在默认图形中：

import tensorflow as tf
# create a new graph:
g = tf.Graph()
# placed in default graph
in_default_graph = tf.add(1,2)

# placed in graph 'g'
with g.as_default():
    a = tf.multiply(2, 3)
# we also no longer in with block ,so it is placed in default graph
also_in_default_graph = tf.sub(5,1)

可以使用 tf.get_default_graph()函数，获得默认图的句柄

default_graph = tf.get_default_graph()

正确的创建一个图，而不使用默认图

import tensorflow as tf
g1 = tf.get_default_graph()
g2 = tf.Graph()
with g1.as_default():
# Define g1 Operations, tensors, etc.

2.2 Session

运行TensorFLow操作（operations）的类,一个Session包含了操作对象执行的环境.
Session（会话）是负责 graph（图）执行的，其构造函数有三个参数

• target 指定要使用的引擎，默认值是空字符串
• graph 指定要加载的graph 对象，默认为None
• config 允许用户选择session的配置，例如限制CPU或者是GPU的使用数量，设置图中的优化参数、日志选项。在典型的tensorflow程序中，session对象的创建可以不需要修改任何默认参数。

import tensorflow as tf
a = tf.add(2,5)
b = tf.multiply(a, 3)

# start up a 'Session' using default graph
sess = tf.Session()

# 注意到下面两个sess 是不一样的
sess = tf.Session()
sess = tf.Session(graph=tf.get_default_graph())
sess.run(b) # return 21

Feed dictionary

import tensorflow as tf
a = tf.add(2,5)
b = tf.multiply(a, 3)
replace_dic = {a: 15}
sess = tf.Session()

sess.run(b, feed_dict=replace_dic) # return 45
sess.close() # close the graph, release the resources

# 这里可以用另一种方式，不需要手动加 sess.close()来释放资源
with tf.Session() as sess:
    sess.run(b, feed_dict=replace_dic)

参考文献：
http://www.tensorfly.cn/
https://www.cnblogs.com/lienhua34/p/5998853.html