TensorFlow入门（2）-基本概念

这里直接引用自TensorFlow中文社区：
另外，极客学院也有基本类似的中文版。

• 使用图 (graph)来表示计算任务。
• 在被称之为 会话 (Session) 的上下文 (context) 中执行图。
• 使用 tensor 表示数据。
• 通过 变量 (Variable) 维护状态。
• 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据。

Tensor

在 TensorFlow 中，数据不是以整数、浮点数或者字符串形式存储的。这些值被封装在一个叫做 tensor的对象中。

常见类型有：float32, float64, int32, int64, complex64, complex128

tf.constant()

tf.constant()返回一个常量tensor，值不会改变，可以有不同的维度。

# 定义constant(    value,    dtype=None,    shape=None,    name='Const',    verify_shape=False)

#示例# A 是 0-维 int32 tensorA = tf.constant(1234) # B 是 1-维 int32 tensorB = tf.constant([123,456,789])  # C 是 2-维 int32 tensorC = tf.constant([ [123,456,789], [222,333,444] ])

tf.Variable()

tf.Variable() 是一个可以修改的tensor，tf.placeholder() 和 tf.constant() 的tensor是不能改变的。创建tf.Variables时必须要有一个初始值和shape，变量的shape通常固定，但也可以用其他方法调整行列数。

模型的其他操作运行之前需要先初始化它的状态，可以用 tf.global_variables_initializer()函数来初始化所有可变 tensor。
tf.global_variables_initializer()会返回一个操作，它会从 graph 中初始化所有的 TensorFlow 变量。可以通过 session 来调用这个操作来初始化所有上面的变量。

init = tf.global_variables_initializer()with tf.Session() as sess:    sess.run(init)

Session

TensorFlow 的 api 构建在 computational graph 的概念上，它是一种对数学运算过程进行可视化的方法，上一篇中的hello, world! 代码变成一个图（from Udacity）

如上图所示，一个 “TensorFlow Session” 是用来运行图的环境。这个 session 负责分配 GPU(s) 和／或 CPU(s)，包括远程计算机的运算。

with tf.Session() as sess:    output = sess.run(hello_constant)

先创建了一个名为hello_constant 的tensor，用 tf.Session 创建了一个 sess 的 session 实例，然后 sess.run() 函数对 tensor 求值，并返回结果。

如果单纯print(hello_constant)，输出的只是一个tensor的信息。

>> print (hello_constant)>> Tensor("Const:0", shape=(), dtype=string)

feed

除了以常量和变量的形式存储tensor，TensorFlow提供了feed机制。

如果希望你的TensorFlow模型对于不同的数据集采用不同的参数，可以用tf.placeholder()设定一个占位符，配合feed_dict，在session运行之前，设置输入。

x = tf.placeholder(tf.string)y = tf.placeholder(tf.int32)z = tf.placeholder(tf.float32)with tf.Session() as sess:    output = sess.run(x, feed_dict={x: 'Test String', y: 123, z: 45.67})

如果传入 feed_dict 的数据与 tensor 类型不符，就无法被正确处理，你会得到 “ValueError: invalid literal for…”

math

TensorFlow中提供了丰富的数学计算方法，包括基本的算术运算、数学函数、矩阵运算等。（详细见文档）
这里也有一篇文章列出了TensorFlow里面常用的数学计算接口（tf API 研读2：math）

简单的加减乘除如下：

a = tf.add(5, 2)  # 7b = tf.subtract(10, 4) # 6c = tf.multiply(2, 5)  # 10d = tf.divide(10., 2)  # 5.0

为了让运算进行，有时可能会需要进行类型转换，tf.cast(x, dtype)

# 定义cast(    x,    dtype,    name=None)

# 示例tf.subtract(tf.constant(2.0),tf.constant(1))  #Fails with ValueError: Tensor conversion requested dtype float32 for Tensor with dtype int32:tf.subtract(tf.cast(tf.constant(2.0), tf.int32), tf.constant(1))   # 1