TensorFlow是目前最火的深度学习框架。
TensorFlow的环境搭建官网和其他博客都有较多例子，这里不再重复。
本机实验环境macOS Sierra 10.12.3tensorflow 1.0.0 CPU版本Python 3.6.0
TensorFlow测试样例
首先TensorFlow支持C、C++、Python等语言。这里只介绍Python语言的TensorFlow的样例。
12345678910111213141516 | import tensorflow as tfa = tf.constant([1.0,2.0],name="a")b = tf.constant([2.0,3.0],name="b")result = a + bsess = tf.Session()W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.>>> sess.run(result)array([ 3., 5.], dtype=float32)>>> type(result)<class 'tensorflow.python.framework.ops.Tensor'> |
- 要输出相加的结果，不能简单的输出result，而是要先生成一个会话(session)，并且通过这个会话来计算结果。这就是一个非常简单的TensorFlow模型。
TensorFlow入门
TensorFlow计算图
TensorFlow包括俩个重要概念——Tensor和Flow。Tensor就是张量。Flow是流。TensorFlow是一个通过计算图形式来表述计算的编程系统。TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
官网给出了一个演示数据流的图。
TensorFlow计算图的使用
TensorFlow程序一般可以分为2个阶段。第一个阶段要定义计算图中所有的计算。第二个阶段为执行计算。
12345678 | import tensorflow as tfa = tf.constant([1.0, 2.0], name="a")b = tf.constant([2.0, 3.0], name="b")result = a + bprint(a.graph is tf.get_default_graph()) # 输出为True# 通过a.graph可以查看张量所属的计算图，如果没有指定，则为当前默认的计算图。所以输出为True。# tf.get_default_graph()表示获取当前默认的计算图 |
除了使用默认的计算图，TensorFlow还支持通过使用tf.Graph来生成新的计算图，不同计算图上的张量和运算都不会共享。
1234567891011121314151617181920212223242526272829303132333435 | import tensorflow as tfg1 = tf.Graph()with g1.as_default(): # 设置v=0 v = tf.get_variable("v", initializer=tf.zeros(shape=[1])) # 这个在1.0版本之前写成tf.zeros_initializer(shape=[1])下同g2 = tf.Graph()with g2.as_default(): # 设置v=1 v = tf.get_variable("v", initializer=tf.ones(shape=[1]))# 在计算图g1中读取变量"v"的取值with tf.Session(graph=g1) as sess: tf.global_variables_initializer().run() # 这里在1.0版本之前是tf.initalizer_all_variables().run()下同 with tf.variable_scope("", reuse=True): # 在计算图g1中，变量"v"的取值应该为0 print(sess.run(tf.get_variable("v")))# 在计算图g2中读取变量"v"的取值with tf.Session(graph=g2) as sess: tf.global_variables_initializer().run() with tf.variable_scope("", reuse=True): # 在计算图g2中，变量"v"的取值应该为1 print(sess.run(tf.get_variable("v")))# 运行结果W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.[ 0.][ 1.] |
上面代码产生了两个计算图，每个计算图中定义了一个名字为”v”的变量。在计算g1中，将v初始化0;在计算图g2中,将v初始化为1。当运行不同的计算图时,变量v的值也不一样。TensorFlow中的计算图不仅仅可以用来隔离张量和计算,它还提供了管理张量和计算的机制。计算图可以通过tf.Graph.device函数来指定运行计算的设备。
12345 | # 例如g = tf.Graph()with g.device('/gpu:0'): result = a + b# 后续有更详细的介绍 |
TensorFlow数据模型——张量
在TensorFlow中所有的数据都通过张量的形式来表示。从功能角度的看，张量可以被简单理解为多维数组。零阶张量表示标量，也就是一个数。一阶张量是向量，也就可以看成一维数组；第n阶张量也可以看成n维数组。但张量并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。张量中并没有真正保存数字，保存的是如何得到这些过程的计算过程。张量的类型当然也可以是字符串，这里先不讨论。
12345678910111213141516171819202122232425262728293031323334353637383940414243 | import tensorflow as tfa = tf.constant([1.0, 2.0], name="a")b = tf.constant([2.0, 3.0], name="b")result = tf.add(a, b, name="add")print(result)# 输出为Tensor("add:0", shape=(2,), dtype=float32)'''从这里可以看出TensorFlow中的张量和Numpy的数组不同。TensorFlow计算的结果不是一个具体的数字，而是一个张量的结构。一个张量中主要保存了三个属性 name、shape、typename具体形式为 node:src_output其中 node 为节点的名称src_output 表示当前张量来自节点的第几个输出例如 add:0 表示result这个张量是计算节点add输出的第一个结果(以0为开始)type 是张量的类型，每一个张量都会有一个唯一的类型。TensorFlow会对所有参与运算的张量进行类型的检查，当发现类型不匹配时会报错。比如:'''a = tf.constant([1, 2], name="a")b = tf.constant([2.0, 3.0], name="b")result = tf.add(a, b, name="add")print(result)# 报错ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape=(2,), dtype=float32)'# 但是如果在constant里面加入一个参数dtype=tf.float32则程序就正常运行a = tf.constant([1, 2], name="a", dtype=tf.float32)b = tf.constant([2.0, 3.0], name="b")result = tf.add(a, b, name="add")# 输出Tensor("add:0", shape=(2,), dtype=float32)'''如果不指定默认类型，则TensorFlow会给出默认的类型，比如无小数点的会被默认为int32，有小数点的会被默认为float32。TensorFlow支持14种类型浮点数tf.float32 tf.float64 整数tf.int8 tf.int16 tf.int32 tf.int64 tf.uint8布尔型tf.bool 复数tf.complex64 tf.complex128''' |
TensorFlow运行模型——会话(Session)
- 明确调用会话生成函数和关闭会话函数，使用这种模式要明确调用Session.close函数关闭会话而释放资源。然而如果程序异常退出时则不会调用close导致资源泄露。
123456789 | import tensorflow as tfa = tf.constant([1, 2], name="a", dtype=tf.float32)b = tf.constant([2.0, 3.0], name="b")result = tf.add(a, b, name="add")# 创建一个会话sess = tf.Session()sess.run(result)# 关闭会话使得本次运行中使用的资源可以被释放sess.close() |
- 使用python的上下文管理器的机制，将所有的计算放在with的内部就可以自动释放所有资源。
12 | with tf.Session() as sess: sess.run(result) |
- TensorFlow会自动生成默认的计算图，如果没有特殊指定，运算会自动加入这个计算图中，TensorFlow中的会话也有类似机制，但不会自动生成默认的会话，而是需要手动指定。当默认的会话被指定之后可以通过tf.Tensor.eval函数来计算一个张量的取值。
123456789101112131415 | sess = tf.Session()with sess.as_default(): print(result.eval())# 输出 W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.[ 3. 5.]# 这2个命令都可以输出一样的结果print(sess.run(result))print(result.eval(session=sess)) |
- TensorFlow提供了一个直接构建默认会话的函数。使用这个函数会自动将生成的会话注册为默认会话。
12345678910111213141516171819 | sess = tf.InteractiveSession()print(result.eval())sess.close()# 无论哪种方法都可以通过ConfigProto Protocol Buffer来配置需要生成的会话:config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)sess1 = tf.InteractiveSession(config=config)sess2 = tf.Session(config=config)'''通过ConfigProto可以配置类似并行的线程数、GPU分配策略、运算超时时间等参数在这些参数中，最长使用的有两个1)allow_soft_placement,默认为False,但为True时表示符合以下条件时GPU运算可以放在CPU上进行:1.运算无法在GPU运行2.没有GPU资源(运算被指定在第二个GPU运行，但设备只有一个GPU)3.运算输入包含CPU计算结果的引用2)log_device_placement,当它为True时日志会记录每个节点被安排在哪个设备上以方便调试,但是在生产环境中设置为False可以减少日志量。''' |
来源：https://www.cnblogs.com/lijianming180/p/12286168.html