第一示例：

import tensorflow as tf import numpy as npx_data=np.float32(np.random.rand(2,100))#隨機(jī)輸入 y_data=np.dot([0.1,0.2],x_data)+0.3#點(diǎn)乘b=tf.Variable(tf.zeros([1])) W=tf.Variable(tf.random_uniform([1,2],-1,1))#-1到1之間的均勻分布中取出值構(gòu)成[1*2]的矩陣 y=tf.matmul(W,x_data)+b#矩陣計(jì)算 loss=tf.reduce_mean(tf.square(y-y_data))#計(jì)算平均損失函數(shù) optimizer=tf.train.GradientDescentOptimizer(0.5)#梯度下降優(yōu)化 train=optimizer.minimize(loss)#train 使loss最小化 init=tf.initialize_all_variables()#初始化所有變量 sess=tf.Session()## 啟動(dòng)圖 (graph) sess.run(init) # 擬合平面 for step in range(0,201):sess.run(train)if (step %20==0):print (step,sess.run(W),sess.run(b))

下載安裝

略

基本使用

圖（graph）：表示計(jì)算任務(wù)

會(huì)話（Session）：用于執(zhí)行圖

張量（tensor）：用于表示數(shù)據(jù)

變量（variable）：用于維護(hù)狀態(tài)

feed和fetch:可以為任意操作賦值或從中獲取數(shù)據(jù)

TensorFlow 是一個(gè)編程系統(tǒng)，使用圖來(lái)表示計(jì)算任務(wù)。圖中的節(jié)點(diǎn)被稱之為op(operation的縮寫)。一個(gè)op獲得0個(gè)或多個(gè)Tensor，執(zhí)行計(jì)算，產(chǎn)生0個(gè)或多個(gè)Tensor.每個(gè) Tensor 是一個(gè)類型化的多維數(shù)組. 例如, 你可以將一小組圖像集表示為一個(gè)四維浮點(diǎn)數(shù)數(shù)組, 這四個(gè)維度分別是[batch, height, width, channels] .

一個(gè) TensorFlow 圖描述了計(jì)算的過(guò)程. 為了進(jìn)行計(jì)算, 圖必須在會(huì)話里被啟動(dòng). 會(huì)話將圖的 op 分發(fā)到諸如 CPU 或 GPU 之類的設(shè)備上, 同時(shí)提供執(zhí)行 op 的方法. 這些方法執(zhí)行后, 將產(chǎn)生的 tensor 返回. 在 Python 語(yǔ)言中, 返回的 tensor 是numpy ndarray 對(duì)象; 在 C 和 C++ 語(yǔ)言中, 返回的 tensor 是tensorflow::Tensor 實(shí)例.

TensorFlow 程序通常被組織成一個(gè)構(gòu)建階段和一個(gè)執(zhí)行階段. 在構(gòu)建階段, op 的執(zhí)行步驟 被描述成一個(gè)圖. 在執(zhí)行階段, 使用會(huì)話執(zhí)行執(zhí)行圖中的 op.

構(gòu)建圖

構(gòu)建圖的第一步, 是創(chuàng)建源 op (source op). 源 op 不需要任何輸入, 例如常量 (Constant) . 源 op 的輸出被傳遞給其它 op 做運(yùn)算.Python 庫(kù)中, op 構(gòu)造器的返回值代表被構(gòu)造出的 op 的輸出, 這些返回值可以傳遞給其它 op 構(gòu)造器作為輸入.TensorFlow Python 庫(kù)有一個(gè)默認(rèn)圖 (default graph), op 構(gòu)造器可以為其增加節(jié)點(diǎn). 這個(gè)默認(rèn)圖對(duì) 許多程序來(lái)說(shuō)已經(jīng)足夠用了.

import tensorflow as tf #創(chuàng)建一個(gè)常量op,產(chǎn)生一個(gè)1×2矩陣，這個(gè)op被作為一個(gè)節(jié)點(diǎn)加到默認(rèn)圖中 #構(gòu)造器的返回值代表該常量op的返回值 matrix1=tf.constant([[3,3]]) #創(chuàng)建另外一個(gè)常量op，產(chǎn)生一個(gè)2×1矩陣 matrix2=tf.constant([[2],[2]]) #創(chuàng)建一個(gè)矩陣乘法matmul op，把‘matrix1’和‘matrix2’作為輸入 #返回‘product’代表矩陣乘法的結(jié)果 product=tf.matmul(matrix1,matrix2) #啟動(dòng)默認(rèn)圖 sess=tf.Session() #調(diào)用sess的‘run()(’方法來(lái)執(zhí)行矩陣乘法op,傳入‘product’作為該方法的參數(shù) result=sess.run(product) print(result) sess.close()

默認(rèn)圖現(xiàn)在有三個(gè)節(jié)點(diǎn), 兩個(gè)constant() op, 和一個(gè)matmul() op.

為了真正進(jìn)行矩陣相乘運(yùn)算, 并得到矩陣乘法的結(jié)果, 你必須在會(huì)話里啟動(dòng)這個(gè)圖.

在一個(gè)會(huì)話中啟動(dòng)圖

構(gòu)造階段完成后, 才能啟動(dòng)圖. 啟動(dòng)圖的第一步是創(chuàng)建一個(gè)Session 對(duì)象,如果無(wú)任何創(chuàng)建參數(shù), 會(huì)話構(gòu)造器將啟動(dòng)默認(rèn)圖.

Session 對(duì)象在使用完后需要關(guān)閉以釋放資源. 除了顯式調(diào)用 close 外, 也可以使用 "with" 代碼塊 來(lái)自動(dòng)完成關(guān)閉動(dòng)作.

with tf.Session() as sess:result=sess.run([product])print(result)

在實(shí)現(xiàn)上, TensorFlow 將圖形定義轉(zhuǎn)換成分布式執(zhí)行的操作, 以充分利用可用的計(jì)算資源(如 CPU 或 GPU). 一般你不需要顯式指定使用 CPU 還是 GPU, TensorFlow 能自動(dòng)檢測(cè). 如果檢測(cè)到 GPU, TensorFlow 會(huì)盡可能地利用找到的第一個(gè) GPU 來(lái)執(zhí)行操作.

如果機(jī)器上有超過(guò)一個(gè)可用的 GPU, 除第一個(gè)外的其它 GPU 默認(rèn)是不參與計(jì)算的. 為了讓 TensorFlow 使用這些GPU, 你必須將 op 明確指派給它們執(zhí)行. with...Device 語(yǔ)句用來(lái)指派特定的 CPU 或 GPU 執(zhí)行操作:

import tensorflow as tf with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:with tf.device("/gpu:0"):matrix1=tf.constant([[3,3]])matrix2=tf.constant([[2],[2]])product=tf.matmul(matrix1,matrix2)result=sess.run(product)print(result)

這里Session中不加入allow_soft_placement=True會(huì)出現(xiàn)說(shuō)gpu沒(méi)有支持的核，原因是因?yàn)樵趖ensorflow中，定義在圖中的op，有的只能再cup中運(yùn)行，gpu中不支持。解決方法就是讓op自動(dòng)識(shí)別，讓它選擇在合適的地方運(yùn)行即可。如果op中有標(biāo)識(shí)的話，在運(yùn)行的時(shí)候指定在cup上執(zhí)行，如果無(wú)法區(qū)分的話，可以試試在sess.run的時(shí)候加入allow_soft_placement=True。

交互式使用

文檔中的 Python 示例使用一個(gè)會(huì)話Session 來(lái) 啟動(dòng)圖, 并調(diào)用Session.run() 方法執(zhí)行操作.
為了便于使用諸如IPython 之類的 Python 交互環(huán)境, 可以使用InteractiveSession 代替Session 類, 使用Tensor.eval() 和Operation.run() 方法代替Session.run() . 這樣可以避免使用一個(gè)變量來(lái)持有會(huì)話.

import tensorflow as tf sess=tf.InteractiveSession() x=tf.Variable([1,2]) a=tf.constant([3,3]) # 使用初始化器 initializer op 的 run() 方法初始化 'x' x.initializer.run() sub=tf.subtract(x,a)#tf.sub已經(jīng)不存在了 print(sub.eval())

Tensor

TensorFlow 程序使用 tensor 數(shù)據(jù)結(jié)構(gòu)來(lái)代表所有的數(shù)據(jù), 計(jì)算圖中, 操作間傳遞的數(shù)據(jù)都是 tensor. 你可以把 TensorFlow tensor 看作是一個(gè) n 維的數(shù)組或列表. 一個(gè) tensor 包含一個(gè)靜態(tài)類型 rank, 和 一個(gè) shape.

變量

Variables for more details. 變量維護(hù)圖執(zhí)行過(guò)程中的狀態(tài)信息. 下面的例子演示了如何使用變量實(shí)現(xiàn)一個(gè)簡(jiǎn)單的計(jì)數(shù)器.

import tensorflow as tf #創(chuàng)建一個(gè)變量，初始化為標(biāo)量0 state=tf.Variable(0,name="counter") #創(chuàng)建一個(gè)op,其作用使state增加1 one=tf.constant(1) new_value=tf.add(state,one) update=tf.assign(state,new_value) # 啟動(dòng)圖后, 變量必須先經(jīng)過(guò)`初始化` (init) op 初始化, # 首先必須增加一個(gè)`初始化` op 到圖中. init_op=tf.initialize_all_variables() with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:sess.run(init_op)print(sess.run(state))for _ in range(3):sess.run(update)print(sess.run(state))

代碼中assign() 操作是圖所描繪的表達(dá)式的一部分, 正如add() 操作一樣. 所以在調(diào)用run() 執(zhí)行表達(dá)式之前, 它并不會(huì)真正執(zhí)行賦值操作.

通常會(huì)將一個(gè)統(tǒng)計(jì)模型中的參數(shù)表示為一組變量. 例如, 你可以將一個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)重作為某個(gè)變量存儲(chǔ)在一個(gè)tensor 中. 在訓(xùn)練過(guò)程中, 通過(guò)重復(fù)運(yùn)行訓(xùn)練圖, 更新這個(gè) tensor.

Fetch

為了取回操作的輸出內(nèi)容, 可以在使用Session 對(duì)象的run() 調(diào)用 執(zhí)行圖時(shí), 傳入一些 tensor, 這些 tensor 會(huì)幫助你取回結(jié)果. 在之前的例子里, 我們只取回了單個(gè)節(jié)點(diǎn)state , 但是你也可以取回多個(gè) tensor:

import tensorflow as tf input1=tf.constant(3) input2=tf.constant(2) input3=tf.constant(5) intermed=tf.add(input2,input3) mul=tf.multiply(input1,intermed) with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:result=sess.run([mul,intermed])print(result)

需要獲取的多個(gè) tensor 值，在 op 的一次運(yùn)行中一起獲得（而不是逐個(gè)去獲取 tensor）。

Feed

上述示例在計(jì)算圖中引入了 tensor, 以常量或變量的形式存儲(chǔ). TensorFlow 還提供了 feed 機(jī)制, 該機(jī)制可以臨時(shí)替代圖中的任意操作中的 tensor 可以對(duì)圖中任何操作提交補(bǔ)丁, 直接插入一個(gè) tensor.feed 使用一個(gè) tensor 值臨時(shí)替換一個(gè)操作的輸出結(jié)果. 你可以提供 feed 數(shù)據(jù)作為run() 調(diào)用的參數(shù). feed只在調(diào)用它的方法內(nèi)有效, 方法結(jié)束, feed 就會(huì)消失. 最常見(jiàn)的用例是將某些特殊的操作指定為 "feed" 操作,標(biāo)記的方法是使用 tf.placeholder() 為這些操作創(chuàng)建占位符.

import tensorflow as tf input1=tf.placeholder(tf.float32) input2=tf.placeholder(tf.float32) output=tf.multiply(input1,input2) with tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)) as sess:print(sess.run([output],feed_dict={input1:[7],input2:[2]}))

for a larger-scale example of feeds. 如果沒(méi)有正確提供 feed, placeholder() 操作將會(huì)產(chǎn)生錯(cuò)誤.

轉(zhuǎn)載于:https://www.cnblogs.com/yifdu25/p/8150443.html

總結(jié)

以上是生活随笔為你收集整理的Tensorflow官方文档中文版——第一章的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。