Tensorflow之核心教程

TensorFlow核心教程
导入Tensorflow
TensorFlow程序的规范导入声明如下：

import tensorflow as tf

这使Python可以访问TensorFlow的所有类，方法和符号。大多数文档假定您已经完成了。
计算图

您可能会认为TensorFlow Core程序由两个独立部分组成：

1.构建计算图。
2.运行计算图。
计算图形是一系列排列成节点的图形TensorFlow操作。我们来构建一个简单的计算图。每个节点采用零个或多个张量作为输入，并产生张量作为输出。一种类型的节点是一个常数。像所有TensorFlow常数一样，它不需要任何输入，它输出一个内部存储的值。我们可以创建两个浮点式传感器node1 ，node2如下所示：

node1 = tf.constant(3.0, tf.float32)node2 = tf.constant(4.0) # also tf.float32 implicitlyprint(node1, node2)

输出结果：

Tensor("Const:0", shape=(), dtype=float32) Tensor("Const_1:0", shape=(), dtype=float32)

请注意，打印节点不会输出值3.0，4.0正如您所期望的那样。相反，它们是在评估时分别产生3.0和4.0的节点。要实际评估节点，我们必须在会话中运行计算图。会话封装了TensorFlow运行时的控制和状态。
下面的代码创建一个Session对象，然后调用其run方法运行足够的计算图来评价node1和node2。通过在会话中运行计算图如下：

sess = tf.Session()print(sess.run([node1, node2]))

我们看到3.0和4.0的预期值：

[3.0, 4.0]

我们可以通过将Tensor节点与操作相结合来构建更复杂的计算（操作也是节点）。例如，我们可以添加我们的两个常量节点并生成一个新的图，如下所示：

node3 = tf.add(node1, node2)print("node3: ", node3)print("sess.run(node3): ",sess.run(node3))

最后两个print语句生成：

node3:  Tensor("Add_2:0", shape=(), dtype=float32)sess.run(node3):  7.0

TensorFlow提供了一个名为TensorBoard的实用程序，可以显示计算图的图片。这是一个屏幕截图，显示TensorBoard如何可视化图形：

就这样，这个图并不是特别有趣，因为它总是产生一个恒定的结果。可以将图形参数化为接受外部输入，称为占位符。一个占位符是一个承诺后提供一个值。

a = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)adder_node = a + b  # + provides a shortcut for tf.add(a, b)

前面的三行有点像一个函数或一个lambda，其中我们定义了两个输入参数（a和b），然后对它们进行一个操作。我们可以使用feed_dict参数来指定多个输入的图表来指定为这些占位符提供具体值的Tensors：

print(sess.run(adder_node, {a: 3, b:4.5}))print(sess.run(adder_node, {a: [1,3], b: [2, 4]}))

输出结果：

7.5[ 3.  7.]

在TensorBoard中，图形如下所示：

我们可以通过添加另一个操作来使计算图更加复杂。例如，

add_and_triple = adder_node * 3.print(sess.run(add_and_triple, {a: 3, b:4.5}))

产生输出

22.5

前面的计算图在TensorBoard中将如下所示：

在机器学习中，我们通常会想要一个可以接受任意输入的模型，比如上面的一个。为了使模型可训练，我们需要能够修改图形以获得具有相同输入的新输出。 变量允许我们向图中添加可训练的参数。它们的构造类型和初始值：

W = tf.Variable([.3], tf.float32)b = tf.Variable([-.3], tf.float32)x = tf.placeholder(tf.float32)linear_model = W * x + b

常数被调用时初始化tf.constant，其值永远不会改变。相比之下，调用时，变量不会被初始化tf.Variable。要初始化TensorFlow程序中的所有变量，必须显式调用特殊操作，如下所示：

init = tf.global_variables_initializer()sess.run(init)

重要的是实现initTensorFlow子图的一个句柄，初始化所有的全局变量。在我们调用之前sess.run，变量未初始化。

既然x是占位符，我们可以同时评估linear_model几个值， x如下所示：

print(sess.run(linear_model, {x:[1,2,3,4]}))

产生输出

[ 0.          0.30000001  0.60000002  0.90000004]

我们创建了一个模型，但是我们不知道它有多好。为了评估培训数据的模型，我们需要一个y占位符来提供所需的值，我们需要编写一个损失函数。

损失函数测量当前模型与提供的数据之间的距离。我们将使用线性回归的标准损失模型，其将当前模型和提供的数据之间的三角形的平方相加。linear_model - y创建一个向量，其中每个元素都是对应的示例的错误增量。我们打电话tf.square给这个错误。然后，我们求和所有平方误差，创建一个单一的标量，使用tf.reduce_sum以下方法抽象出所有示例的错误：

y = tf.placeholder(tf.float32)squared_deltas = tf.square(linear_model - y)loss = tf.reduce_sum(squared_deltas)print(sess.run(loss, {x:[1,2,3,4], y:[0,-1,-2,-3]}))

产生损失值

23.66

我们可以手动重新分配的值提高这W和b为-1和1变量的值，完美初始化为提供的价值 tf.Variable，但可以使用操作等来改变tf.assign。例如， W=-1并且b=1是我们的模型的最佳参数。我们可以改变W，并 b因此：

fixW = tf.assign(W, [-1.])fixb = tf.assign(b, [1.])sess.run([fixW, fixb])print(sess.run(loss, {x:[1,2,3,4], y:[0,-1,-2,-3]}))

最终打印显示现在的损失为零

0.0

我们猜测的“完美”的价值观W和b，但机器学习的整点自动找到正确的模型参数。我们将在下一节中展示如何完成此项工作。