第一篇：tensorflow入门

一、计算图

1、实现const + const

用图形表示如下：

其表示两个常量相加，与后边的placeholder相比，placeholder更加灵活：先贴出这种常量的代码：

import tensorflow as tfnode1 = tf.constant(1.0,dtype=float32)node2 = tf.constant(2.0)add_two_node = tf.add(node1,node2)sess = tf.Session()print(sess.run(add_two_node))

其运行结果：3.0

刚开始使用python语言，同时也是开始学习tensorflow，感觉这样也太麻烦了，一个常量，非得整个constant函数来初始化，搞的太繁琐了，要是直接node1=1，不就完事了吗？？？

2、使用placeholder实现a+b

与前面的相比，感觉这个图形表示还是一样：

根据上面这个图片，与前面两个const相加比较，这里的a和b就是两个变量，可以任意赋值，计算两者相加的结果，而上面的方法

node1和node2已经是定值（无法再次赋值），这里也贴出使用placeholder的参考代码：

import tensorflow as tfa = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)adder_two = a + bsess = tf.Session()print(sess.run(adder_two,{a:1,b:5}))print(sess.run(adder_two,(a:[1,1],b:[1,2])))

计算结果如下：6.0

                         [2.    3.]

相比C语言，这些东西实在有些拐弯抹角，不过确实好用

3、较复杂的计算图---示例一

计算图如下：

用公式表示： add_and = (a + b) * y

直接在上面的placeholder上边的代码添加：

# -- coding:utf-8 --# 简单测试import input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)import tensorflow as tfa = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)add_two = a+badd_triple = add_two * 3sess = tf.Session()print(sess.run(add_two,{a:1,b:5}))print(sess.run(add_two,{a:[1,1],b:[1,2]}))print(sess.run(add_triple,{a:[1,1],b:[1,2]}))

# -- coding:utf-8 -- 这行代码使其支持中文注释

在上面计算a+b的基础上添加的两行代码：

add_triple = add_two*3print(sess.run(add_triple,{a:[1,1],b:[1,2]}))

运行结果如下：6.0

                         [2.    3.]

                         [6.    9.]

4、较复杂的计算图-----示例二

# -- coding:utf-8 --# 简单测试import input_datamnist = input_data.read_data_sets("MNIST_data/",one_hot=True)import tensorflow as tfW = tf.Variable([.3],dtype=tf.float32)b = tf.Variable([-.3],dtype=tf.float32)x = tf.placeholder(tf.float32)linear_model = W * x + bsess = tf.Session()#init = tf.global_variables_initializer()init = tf.initialize_all_variables()sess.run(init)print(sess.run(linear_model,{x:[1,2,3,4]}))

官方的参考使用:

init = tf.global_variables_initializer()

运行出现错误，与我安装的tensorflow的版本不同。
        这里使用了tf.Variable()来声明一个变量，但是这个变量在使用W = tf.Variable(...)后，其还没有被初始化，只是定义W的type和初始值，当后面调用

tf.initializer_all_variables()完成对所有的以tf.Variable(...)声明的变量的初始化了。该代码运行结果如下：

[ 0.          0.30000001  0.60000002  0.90000004]

即是：[1,2,3,4]*0.3-0.3
上面说到，关于constant、placeholder和Variable三种变量的使用，constant-----不能改变了，placeholder----随时可以改变 ，Variable使用什么改变刚开始指定的值呢？？？

如下：

fixW = tf.assign(W, [-1.])fixb = tf.assign(b, [1.])sess.run([fixW, fixb])

改变W和b的值：W=-1 and b=1

二、tf.train API

       关于训练学习相关的API，用官方的一个例子说明：

# -- coding:utf-8 --import tensorflow as tf# Model parametersW = tf.Variable([.3], dtype=tf.float32)b = tf.Variable([-.3], dtype=tf.float32)# Model input and outputx = tf.placeholder(tf.float32)linear_model = W * x + by = tf.placeholder(tf.float32)# lossloss = tf.reduce_sum(tf.square(linear_model - y)) # sum of the squares# optimizeroptimizer = tf.train.GradientDescentOptimizer(0.01)train = optimizer.minimize(loss)# training datax_train = [1, 2, 3, 4]y_train = [0, -1, -2, -3]# training loopinit = tf.initialize_all_variables()#init = tf.global_variables_initializer()sess = tf.Session()sess.run(init) # reset values to wrongfor i in range(1000):  sess.run(train, {x: x_train, y: y_train})# evaluate training accuracycurr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))

还是为了在我的机器上运行，修改了的init，看上去，这个程序有点跟Makefile的理解流程相似：

        首先看到1000次循环，要计算train，然后往前看train=optimizer.minimize(loss)：就是最小化损失函数loss，然后又往前看损失函数的公式，看到这里就根据提供的初值计算损失函数公式，当然这里有一个关于梯度的学习：

# optimizeroptimizer = tf.train.GradientDescentOptimizer(0.01)train = optimizer.minimize(loss)

按照流程的思路，这两句包含太多的东西，其中好多东西都交给的tensorflow底层实现。为了得到loss函数的最小值，那么用什么方法--------高中都学过使用导数求一个函数的极小点（当然不一定可以求到极小点，只要足够小即可），那么就从最开始给定的x、y值求，然后以0.01的步长向loss减小的方向移动，直到1000次循环结束。

最后两行代码：

# evaluate training accuracycurr_W, curr_b, curr_loss = sess.run([W, b, loss], {x: x_train, y: y_train})print("W: %s b: %s loss: %s"%(curr_W, curr_b, curr_loss))

当1000次循环结束后，我们得到了W、b（目的就是为了得到W、b），相当于我们就得到了一个函数f(x) = W*x + b，（学习一个函数，使输入是x，经过f(x)函数，输入y），这两行代码意思就是根据x_train的值计算y的值，然后y与y_train比较得出loss大小。

（参考tensorflow官方网站：https://www.tensorflow.org/get_started/get_started）可能需要翻墙