深度学习-Tensorflow基本介绍01

一，认识TensorFlow

二，安装Tensorflow

安装的1.13版本，目前已更新2.0+版本

pip install tensorflow==1.13.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

三，TensorFlow图的结构

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
print(a,b)
with tf.Session() as sess: # 上下文管理器
    pass

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
print(sum1)
with tf.Session() as sess: # 上下文管理器
    print(sess.run(sum1))

1，数据流图

数据：tensor：张量
operation：（OP）：专门运算的操作节点，所有操作都是一个op
图：graph：你的整个程序的结构

边是由流动的Tensor组成；
每个节点是Operation操作，即一些数学的操作、激励函数的操作等，作为Operation的输入和输出都是Tensor（张量）；
边和节点共同构成了Graph，即数据流图；
对于数据流图的运行，需要创建Session这样一个会话来运行，Session可以在不同的设备上运行，例如GPU、CPU等。

2，图

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址
print(graph)
with tf.Session() as sess: # 上下文管理器
    print(sess.run(sum1))
    print(a.graph)
    print(sum1.graph)
    print(sess.graph)

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 创建一张图（包含了一组op和tensor）
g = tf.Graph()
with g.as_default():
    c = tf.constant(10.0)
    print(c.graph)

# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址
print(graph)
with tf.Session() as sess: # 上下文管理器
    print(sess.run(sum1))
    print(sum1.graph)

创建一张图（包含了一组op和tensor）
op： 只要使用了TensorFlow的API定义的函数，都是op
张量（tensor）：指的就是数据

3，会话

在编译环境中，输入要执行的Tensorflow代码，当创建会话执行相应的功能时，首先客户端会创建一个图，接着，使用会话的run操作，这是会将需要执行的操作传入服务端，服务端使用C++语言完成相应的操作， 得出结果后，将结果传回客户端，然后根据代码命令最后输出返回的结果。

import os
import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告


# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址
print(graph)
with tf.Session(config=tf.ConfigProto(log_device_placement=True)) as sess: # 上下文管理器
    print(sess.run(sum1))
    print(sum1.graph)

import os
import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告


# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址
print(graph)
with tf.Session() as sess: # 上下文管理器
    print(sess.run(sum1))
    print("-"*50)
    print(sum1.graph)
    print("-" * 50)
    print(sum1.eval()) # 只要有绘画的上下文环境，就可以使用方便的eval()

4，会话里的run()方法

import os
import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告


# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)
graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址

with tf.Session() as sess: # 上下文管理器
    print(sess.run([a,b,sum1]))
    print("-"*50)

重载机制

import os
import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告


# 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)

# 不是op不能直接运行
aa = 1.0
bb = 2.0
sum2 = aa + bb

# 重载机制（只要一部分是op类型，那么默认会给运算符重载成op类型）
sum3 = a + aa

graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址

with tf.Session() as sess: # 上下文管理器
    print(sess.run(sum3))
    print("-"*50)

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 训练模型，实时提供数据去进行训练
# placeholder 是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[2,3]) # 2行3列

with tf.Session() as sess: # 上下文管理器
    print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 训练模型，实时提供数据去进行训练
# placeholder 是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[None,3]) # 行不固定，3列
print(plt)

with tf.Session() as sess: # 上下文管理器
    print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6],[7,8,9]]}))

5，张量的定义及数据

数据的类型代表进度不一样

import os
import tensorflow as tf
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告

# # 实现一个加法运算
a = tf.constant(5.0)
b = tf.constant(6.0)
sum1 = tf.add(a,b)


graph = tf.get_default_graph() # 默认的这张图，相当于是给程序分配一段内存地址

with tf.Session() as sess: # 上下文管理器
    print(sum1.graph)
    print("-"*50)
    print(sum1.name)
    print("-"*50)
    print(sum1.op)
    print("-"*50)
    print(sum1.shape)

在TensorFlow中：打印出来的形状表示如下：
0维：（） 1维：（5）
2维：（5，6） 3维（2，3，4）

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf


# placeholder 是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[None,3]) # 形状不固定
print(plt)

# 形状的改变（静态形状，动态形状）
plt.set_shape([2,3])
print(plt)


with tf.Session() as sess: # 上下文管理器
    pass

import tensorflow as tf

# placeholder 是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[None,3]) # 形状不固定
print(plt)

# 形状的改变（静态形状，动态形状）
plt.set_shape([4,3])
print(plt)
# plt.set_shape([4,3]) # 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状
plt_reshape = tf.reshape(plt,[2,6]) # 动态形状可以去创建一个新的张量，注意：元素数量必须匹配
print(plt_reshape)


with tf.Session() as sess: # 上下文管理器
    pass

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# placeholder 是一个占位符，feed_dict是一个字典
plt = tf.placeholder(tf.float32,[None,3]) # 形状不固定
print(plt)

# 形状的改变（静态形状，动态形状）
plt.set_shape([4,3])
print(plt)
# plt.set_shape([4,3]) # 对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状，不能跨维度修改
plt_reshape = tf.reshape(plt,[2,6]) # 动态形状可以去创建一个新的张量，注意：元素数量必须匹配
print(plt_reshape)
plt_reshape2 = tf.reshape(plt,[2,3,2]) # 动态形状可以去创建一个新的张量，注意：元素数量必须匹配，可以跨维度修改
print(plt_reshape2)


with tf.Session() as sess: # 上下文管理器
    pass

6，运算API介绍

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

zero = tf.zeros([3,4],tf.float32)
ones = tf.ones([3,4],tf.float32)

with tf.Session() as sess: # 上下文管理器
    print(zero.eval())
    print("-"*50)
    print(ones.eval())

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

a = [[1,2,3],[4,5,6]]
b = [[7,8,9],[10,11,12]]
c = tf.concat([a,b],axis=0) # 按行合并
d = tf.concat([a,b],axis=1) # 按列合并

with tf.Session() as sess: # 上下文管理器
    print(sess.run(c))
    print("-"*50)
    print(sess.run(d))

四，可视化学习

1，变量能够持久化保存，普通张量op不能
2，当定义一个变量op的时候，一定要在会话当中去运行初始化
3，name参数：在tensorboard使用的时候显示名字，可以让相同的op名字进行区分

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 变量op
a = tf.constant([1,2,3,4,5]) # 张量

var = tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0)) # 创建一个随机变量
print(a,var)
# 必须做一步显示的初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess: # 上下文管理器
    # 必须运行初始化op
    sess.run(init_op)
    print(sess.run([a,var]))

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告级别，不显示警告
import tensorflow as tf

# 变量op
a = tf.constant([1,2,3,4,5]) # 张量

var = tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0)) # 创建一个随机变量
print(a,var)
# 必须做一步显示的初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess: # 上下文管理器
    # 必须运行初始化op
    sess.run(init_op)
    # 把程序的图结构写入事件文件,graph:把指定的图写入事件文件当中
    filewriter = tf.summary.FileWriter("./test",graph=sess.graph)
    print(sess.run([a,var]))