TensorFlow简易学习[1]:基本概念和操作示例

简介

　　TensorFlow是一个实现机器学习算法的接口，也是执行机器学习算法的框架。使用数据流式图规划计算流程，可以将计算映射到不同的硬件和操作系统平台。

主要概念

　　TensorFlow的计算可以表示为有向图(directed graph)，或者计算图(computation graph)，计算图描述了数据的就算流程，其中每个运算操作(operation)作为一个节点(node)，节点与节点之间连接称为边(edge)。在计算图变中流动(flow)的数据被称为张量(tensor），故称TensorFlow。

　　                                                                    

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　计算图实例[ref1]

　　具体说，在一次运算中[ref2]：

　　　　1. 使用图 (graph) 来表示计算任务：基本操作示例 ；

　　　　2. 在被称之为 会话 (Session) 的上下文 (context) 中执行图：基本操作示例；

　　　　3. 通过 变量 (Variable) 维护状态：基本操作示例。

代码实例

 完整示例：

#!/usr/bin/pyton

'''
A simple example(linear regression) to show the complete struct that how to run a tensorflow

create_data -> create_tensorflow_struct->start session
create date: 2017/10/20

'''

import tensorflow as tf
import numpy as np 

#create data

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

###create tensorflow structure begin##
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

#when define variables, initialize must be called
#init = tf.initialize_all_variables()
### create tensorflow structure end ###

sess = tf.Session()
#note: initialize_local_variables no more support in new version
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
    init = tf.initialize_all_variables()
else:
    init = tf.global_variables_initializer()

sess.run(init)

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        #session controls all opertions and varilables
        print(step, sess.run(Weights), sess.run(biases))

sess.close()

　　计算结果：

　　

基本操作示例

　　Session操作：　

#!/usr/bin/python

'''
A example to show how to call session

create date: 2017/10/20
'''

import tensorflow as tf 

#1. 定义一个操作
m1 = tf.constant([[2, 2]])
m2 = tf.constant([[3],
                    [3]])
dot_opeartion = tf.matmul(m1, m2)

#2. 调用session实现
# 图画好以后，需要通过session来控制执行，让图来运行
# 另外每一个图中的操作都需要通过session来控制
# print result
#method1 use session
sess = tf.Session()
result = sess.run(dot_opeartion)
print(result)
sess.close()

#method2 use session
with tf.Session() as sess:
    result_ = sess.run(dot_opeartion)
    print(result_) 

##output
[[12]]
[[12]]

　　

　　Placeholder操作

#!/usr/bin/python

'''
A example to show how to call placehoder(类似于占位符)

create date: 2017/10/20
'''

import tensorflow as tf 

#1. 声明placehoder:待传入值
x1 = tf.placeholder(dtype=tf.float32, shape=None)
y1 = tf.placeholder(dtype=tf.float32, shape=None)
z1 = x1 + y1

x2 = tf.placeholder(dtype=tf.float32, shape=None)
y2 = tf.placeholder(dtype=tf.float32, shape=None)
z2 = tf.matmul(x2, y2)

#2. 调用session，传入值
with tf.Session() as sess:
    #when only one operation to run
    #feed_dict: input the values into placeholder
    z1_value = sess.run(z1, feed_dict={x1: 1, y1:2})

    # when run multiple operaions
    #run the two opeartions together
    z1_value, z2_value = sess.run(
        [z1, z2],
        feed_dict={
            x1:1, y1:2,
            x2:[[2],[2]], y2:[[3,3]]
        }
    )
    print(z1_value)
    print(z2_value)

　　

　　Variable操作

#!/usr/bin/python

'''
A example to show how to call variables

create date: 2017/10/20
'''

import tensorflow as tf 

# 1.stuct
#our first variable in the "global_variable" set 
var = tf.Variable(0)

add_operation = tf.add(var,1)

#把add_operation值给var
update_operation = tf.assign(var, add_operation)

# once define variables, you have to initialize them by doing this
init = tf.global_variables_initializer()

# 2. call session
with tf.Session() as sess:
    sess.run(init)
    for count in range(3):
        sess.run(update_operation)
        print(sess.run(var))

 --------------------------------------

说明：本列为前期学习时记录，为基本概念和操作，不涉及深入部分。文字部分参考在文中注明，代码参考莫凡