TensorFlow初学（一）

Tensorflow所有的计算都会转化为计算图上的节点，

tensor张量的意思，可以理解为多维数组，可以理解为它的数据结构；flow 流，体现了计算模型；

tensorflow是通过计算图的形式来表述计算的编程系统。

每一个计算都是计算图上的一个节点，节点之间的变描述为计算之间的依赖关系。

每一个节点就是一个运算，而每一条边代表了计算之间的依赖关系。

如果一个运算的输入依赖另一个运算的输出，这这两个运算由依赖关系。

tensorflow 程序一般分为两个阶段：

1、定义计算图中的所有计算。

for example：import tensorflow as tf/常用载入tensorflow的技巧

a=tf.constant([1,2],name="a")//定义向量

b=tf.constant([1,2],name="b")

rusult=a+b

2执行计算阶段

注意的是在这个过程中，tf会自动的将定义的计算转化为计算图上的节点。系统还会自动维护一个默认的计算图

通过tf.get_default_graph()获取当前默认的计算图

In [1]: import tensorflow as tf

In [2]: a=tf.constant([1.0,2.0],name="a")

In [3]: b=tf.constant([3.0,4.0],name="b")

In [4]: result=a+b

In [5]: print(a.graph is tf.get_default_graph)
False

我是生成的false；

ternsorflow支持通过tf.Graph函数来生成新的计算图，不同计算图上的张量和运算不会共享

这里讲一下tf.get_variable（）的用法，第一个坑：

tf.get_variable(name,  shape, initializer): name就是变量的名称，shape是变量的维度，initializer是变量初始化的方式，初始化的方式有以下几种：

tf.constant_initializer（）：常量初始化函数

tf.random_normal_initializer（）：正态分布

tf.truncated_normal_initializer（）：截取的正态分布

tf.random_uniform_initializer（）：均匀分布

tf.zeros_initializer（）：全部是0

tf.ones_initializer（）：全是1

tf.uniform_unit_scaling_initializer（）：满足均匀分布，但不影响输出数量级的随机值

这里又是一个坑：

initialize_all_variables已被弃用，将在2017-03-02之后删除。
说明更新：使用tf.global_variables_initializer代替

千辛万苦：

In [20]:  import tensorflow as tf

In [21]:  g1=tf.Graph()

In [22]:  with g1.as_default():
    ...:       v = tf.get_variable("v", shape=[1], initializer=tf.zeros_initializer)
    ...:

In [23]: with tf.Session(graph=g1) as sess:
    ...:     tf.global_variables_initializer().run()
    ...:     with tf.variable_scope("",reuse=True):
    ...:         print(sess.run(tf.get_variable("v")))
    ...:
[ 0.]

tensorflow的计算图可以用来隔离张量和计算，也提供了管理和计算张量的机制。

tf.Graph.device函数指定计算设备

g=tf.Graph()

with g.device('/gpu:0');

result=a+b

需要理解的是 张量并不是保存真实的数字 而是可以看作保存 三个属性的多维数组，但也并不是多维数字

1、名字 2、维度 3、类型

In [24]: import tensorflow as tf

In [25]: a=tf.constant([1.0,2.0],name="a")

In [26]: b=tf.constant([2.0,3.0],name="b")

In [27]: result=tf.add(a,b,name="add")

In [29]: print(result)///这里有一个坑，因为版本的升级，这里应该是print（内容）加上括号！
/*********Tnsor("add:0", shape=(2,), dtype=float32)******************/

1、名字 张量的命名通过“A：B“ A 代表节点的名称，B代表节点的第几个输出 这里add：0 ‘0’代表节点的第一个输出

2、shape=（A，B）维度 shape=(2,)代表有数组长度为2的一维数组

3、dtype= 张量都有唯一的类型，当计算时发现类型不匹配时就会报错。

张量的使用 

1、用于计算中间结果的引用 

2、用于获得计算结果

如：tf.Session().run(result)

Tensorflow 运行模型 ---------会话

会话拥有并管理Tensorflow程序运行的所有资源。

notice！ 当计算完成后需要关闭会话来帮助系统回收资源，否则可能出现资源泄露的问题！

两种使用会话的模式

1、需要明确调用会话生成函数和关闭会话函数

////创建一个会话 sess=tf.Session()

使用这个会话调用需要关心的结果------> sess.run(result)

关闭会话 使得本次运行中使用的资源可以释放

sess.close()

为了避免异常退出时资源释放的问题，tensorflow使用python上下文管理器 来使用会话

代码：

with tf.Session() as sess:

............通过上下文管理器机制，只有将所有的计算放在with的内部

sess.run(result)

不再需要调用sess.close(),上下文退出后会话关闭和资源额释放自动完成

Tensorflow不会自动生成会话，需要手动指定，可以通过tf.Tensor.eval来计算张量的取值

使用InteractiveSession()这个函数会自动将生成的会话注册为，默认会话

sess= tf.InteractiveSession()

print(result.eval())

sess.close()

通过ConfigProto配置需要i生成的会话

ConfigProto 可以配置并行的线程数 GPU分配策略 等

allow_soft_placement参数设置为True。 GPU 可以灵活分配

神经网络的前向传播  神经网络的后向传播