TensorFlow基础（一）

1. 定义两个不同的图

Tensorflow会自动将定义的计算转换为计算图上的节点

import tensorflow as tfg1 = tf.Graph()with g1.as_default():    v = tf.get_variable("v", [1], initializer = tf.zeros_initializer()) # 设置初始值为0g2 = tf.Graph()with g2.as_default():    v = tf.get_variable("v", [1], initializer = tf.ones_initializer())  # 设置初始值为1# 在计算图1中读取变量‘v’的取值    with tf.Session(graph = g1) as sess:    tf.global_variables_initializer().run()    with tf.variable_scope("", reuse=True):#在计算图g1中，变量‘v’的初始0(tf.zeros_initializer(shape[1]）,所以这行输出[0.]    print(sess.run(tf.get_variable("v")))#在计算图1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):        print(sess.run(tf.get_variable("v")))

2. 张量的概念及生成会话

在Tensorflow程序中，所有数据通过张量的形式来表示。张量可以理解为多维数组。零阶张量表示标量(Scalar)为一个数。第n阶张量理解为一个n维数组。Tensorflow保存的是计算过程不是计算值

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.InteractiveSession ()print(result.eval())sess.close()

• 创建一个会话，并通过Python中的上下文管理器管理这个会话
• 当上下文退出时会话关闭和资源释放自动完成
• Python上下文管理机制：将计算放在“with”，解决了异常退出资源释放问题

with tf.Session() as sess:    print(sess.run(result))

• 使用tf.Session().as_default()或者tf.InteractiveSession构建会话，tf.InteractiveSession自动将生成的会话注册为默认会话，省去了注册的过程
• 在交互环境下，通过设置默认会话的方式获取张量的取值更加方便

sess = tf.Session()with sess.as_default():     print(result.eval())

sess = tf.InteractiveSession ()print(result.eval())sess.close()

• 下面的两个命令有相同的功能,输出会话内的结果

sess = tf.Session()print(sess.run(result))print(result.eval(session=sess))

• 通过ConfigProto Protocol Buffer配置需要生成的会话
• ConfigProto 可以配置并行的线程数、GPU分配策略、运算时间等参数。
• allow_soft_placement=True 任意条件成立GPU上运算可以放到CPU上运算，该布尔型变量设置为True可以让程序在拥有不同数量的GPU机器上运行
• 运算无法在GPU上运行；没有GPU资源(运算被指定在地问个GPU上但是机器就只有一个GPU)；运算输入包含对CPU计算结果引用
• log_device_placement=True 记录了每个节点安排在哪个设备上方便调试(设备日志)。参数为False减少了日志量。

config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)sess1 = tf.InteractiveSession(config=config)sess2 = tf.Session(config=config)