Tensorflow API 笔记

Hello World 的实现：

import tensorflow as tf# Create TensorFlow object called hello_constanthello_constant = tf.constant('Hello World!')with tf.Session() as sess:    # Run the tf.constant operation in the session    output = sess.run(hello_constant)    print(output)

在Tensorflow中，所有的数据（字符串，数字……）都被封装为一个Tensorflow对象，API操作均针对封装的tf对象；

• tf.constant()

  在 hello_constant = tf.constant(‘Hello World!’) 中，tf.constant()保存的为一常数值对象，hello_constant 是一个 0 维度的字符串 tensor；

  数值、多维数组等等都可以保存为constant常量：

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

• 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; 当搭建完该graph后，需要一个接口运行graph环境，该接口就是 tf.Session()，方法则是 Session().run(graph);

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

  即将搭建好的hello_constant 通过sess.run()运行，并返回结果；

• tf.placeholder()
  tf.placeholder()是TF里的占位符，可以用于申明非常量；

• Session 的 feed_dict

  作用有些类似于Python自带的 .format()，可以在sess运行过程中为之前申明的非常量赋值;

import tensorflow as tfdef run():    output = None    x = tf.placeholder(tf.int32)    with tf.Session() as sess:        # TODO: Feed the x tensor 123        output = sess.run(x, feed_dict={x:'123'})    return output

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

• tf.Variable()
  设置一个 tensor，其初始值可以被改变，就像普通的 Python 变量一样。该 tensor 把它的状态存在 session 里，所以必须手动初始化它的状态。初始化函数为: tf.global_variables_initializer()

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。

• Tensorflow 加、减、乘、除

如下：

x = tf.add(5, 2)  # 7x = tf.subtract(10, 4) # 6y = tf.multiply(2, 5)  # 10y = tf.divide(6, 2) #3

计算中需要注意数据类型的问题，即要求运算各方均为统一类型(int\float32\float64),以下代码会报错：

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

此时需要使用tf.cast(data, type)对数据类型进行转换；eg：

import tensorflow as tf# TODO: Convert the following to TensorFlow:x = tf.constant(10)y = tf.constant(2)z = tf.subtract(tf.divide(x,y),  tf.cast(tf.constant(1), tf.float64))# TODO: Print z from a sessionwith tf.Session() as sess:    output = sess.run(z)print(output)

• tf.matmul()
  Tf中矩阵乘法运算需要使用 tf.matmul() ，而不是tf.multiply();

另外还有：
累加函数:

x = tf.reduce_sum([1, 2, 3, 4, 5])  # 15

对数函数: 返回所输入值的自然对数

x = tf.log(100)  # 4.60517

• Tensorflow中的 softmax函数

  Tf中在分类问题上采用的是softmax函数，该函数为：

softmax 函数将每个单元的输出压缩到 0 和 1 之间。但 softmax 函数在拆分输出时，会使输出之和等于 1。softmax 函数的输出等于分类概率分布，显示了任何类别为真的概率。

softmax函数在Tensorflow里的API为：tf.nn.softmax() ，直接调用即可；

import tensorflow as tfdef run():    output = None    logit_data = [2.0, 1.0, 0.1]    logits = tf.placeholder(tf.float32)    # TODO: Calculate the softmax of the logits    softmax =  tf.nn.softmax(logits)       with tf.Session() as sess:        # TODO: Feed in the logit data        output = sess.run(softmax,  feed_dict = {logits: logit_data}  )    return output

• TensorFlow 中的交叉熵函数（Cross Entropy）

交叉熵数学表达式：

H=−∑i(pi⋅log2(pi^))

在Tensorflow中，可以采用

cross_entropy = -tf.reduce_sum(tf.multiply(pi, tf.log(pi_hat)))

 import tensorflow as tfsoftmax_data = [0.7, 0.2, 0.1]one_hot_data = [1.0, 0.0, 0.0]softmax = tf.placeholder(tf.float32)one_hot = tf.placeholder(tf.float32)# TODO: Print cross entropy from sessioncross_entropy = -tf.reduce_sum(tf.multiply(one_hot, tf.log(softmax)))with tf.Session() as sess:    output = sess.run(cross_entropy, feed_dict ={one_hot: one_hot_data, softmax: softmax_data})

• tf.truncated_normal()
  tf.truncated_normal((row,column)) 返回一个 tensor，它的随机值取自一个正态分布，并且它们的取值会在这个正态分布平均值的两个标准差之内。
  运行该tensor可以获得row行column列矩阵：

>>> weights = tf.truncated_normal((3,4))>>> with tf.Session() as session:        session.run(weights)... ... array([[ 1.61371827, -0.5563615 , -0.87211525, -0.20940897],       [ 0.93897802, -0.80794263,  0.96629286, -0.1466012 ],       [-1.06747437, -0.5541333 ,  0.30477989, -0.21800314]], dtype=float32)