一、Tensorflow 的基础使用

graphs

session

tensor

Variable

用graph表示计算任务，graphs中的节点是op(operation)，一个op获得0个或多个Tensor，执行计算之后产生0个或多个Tensor,Tensor可看作是一个n维的数组或列表，图必须在Session中启动

结构如图所示：

一、Tensorflow 的基础使用

程序实践：

1.创建回话：

import tensorflow as tf
# 创建常量op
m1=tf.constant([[3,3]])
m2=tf.constant([[3],[4]])
res=tf.matmul(m1,m2)
# print(res)不能直接输出，因为在图中需要启动会话
# 定义会话,法一：
sess=tf.Session()
print(sess.run(res))
print(res)
sess.close()
# 法二：不需要执行关闭操作，可以自己关闭
with tf.Session() as sess:
    res=sess.run(res)
    print(res)

2.变量使用

x=tf.Variable([1,2])
a=tf.constant([3,3])
sub=tf.subtract(x,a)
add=tf.add(x,sub)
# 变量要注意进行初始化操作
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

# 创建变量
ini_num=tf.Variable(0)
# 创建op,加一
new_num=tf.add(ini_num,1)
# 赋值op
update_num=tf.assign(ini_num,new_num)
ini=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(ini)
    for i in range(10):
        print(sess.run(update_num))

3.Fetch和Feed

Fetch表示在一个回话中可以运行多个op，在run部分加入多个op，可以选择最后以列表还是元组的形式呈现

a=tf.constant(3)
b=tf.constant(5)
c=tf.constant(2)

add=tf.add(a,b)
mul=tf.multiply(b,add)
with tf.Session() as sess:
    res=sess.run([add,mul])
    print(type(res),res)

Feed是创建占位符，具体的值可以在run时候再传入，传入值的形式是字典形式，即a,b表示的是字典中的key,在run部分再加入建立字典的value

#创建占位符
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
mul=tf.multiply(a,b)

# 在session中以字典形式传入值
with tf.Session() as sess:
    res=sess.run(mul,feed_dict={a:[3],b:[5]})
    print(res)

4.线性模型预测模拟

import tensorflow as tf
import numpy as np

# 创建初始数据
input_data=np.random.rand(100)
y=input_data*0.5+3

# 建立模型
k=tf.Variable(0.)
b=tf.Variable(0.)
y_predict=tf.add(tf.multiply(k,input_data),b)

# 建立loss和优化器
loss=tf.reduce_mean(tf.square(y-y_predict))
optimizer=tf.train.GradientDescentOptimizer(0.3)
tri=optimizer.minimize(loss)

ini=tf.global_variables_initializer()
# 建立session
with tf.Session() as sess:
    sess.run(ini)
    # 迭代200次
    for i in range(201):
        sess.run(tri)
        if i%20==0:
            print(i,sess.run([k,b]))

最后结果为：

0 [0.99093753, 1.9482267]
20 [0.8271484, 2.8253014]
40 [0.63067365, 2.9302197]
60 [0.5521954, 2.9721274]
80 [0.5208487, 2.9888668]
100 [0.50832766, 2.995553]
120 [0.50332654, 2.9982235]
140 [0.5013287, 2.9992905]
160 [0.50053096, 2.9997165]
180 [0.5002122, 2.9998868]
200 [0.50008476, 2.9999547]

需要注意的是：
最后一步输出k,b的值时，也需要启动sess.run,并且之后需要用列表或元组的形式输出，否则会报错。TypeError: input must be a dictionary