一.安裝
目前用了tensorflow、deeplearning4j兩個(gè)深度學(xué)習(xí)框架，
tensorflow 之前一直支持到python 3.5,目前以更新到３.６，故安裝最新版體驗(yàn)使用。
慢慢長征路：安裝過程如下
ＷＩＮ１０：
anaconda3.5:
PYTHON3.6:
tensorflow1.4:

二.TensorFlow 基本概念與原理理解
１.TensorFlow 的工作原理

TensorFlow是用數(shù)據(jù)流圖(data flow graphs)技術(shù)來進(jìn)行數(shù)值計(jì)算的。數(shù)據(jù)流圖是描述有向圖中的數(shù)值計(jì)算過程。

有向圖中，節(jié)點(diǎn)通常代表數(shù)學(xué)運(yùn)算，邊表示節(jié)點(diǎn)之間的某種聯(lián)系，它負(fù)責(zé)傳輸多維數(shù)據(jù)(Tensors)。

節(jié)點(diǎn)可以被分配到多個(gè)計(jì)算設(shè)備上，可以異步和并行地執(zhí)行操作。因?yàn)槭怯邢驁D，所以只有等到之前的入度節(jié)點(diǎn)們的計(jì)算狀態(tài)完成后，當(dāng)前節(jié)點(diǎn)才能執(zhí)行操作。

２.TensorFlow 基本用法

接下來按照官方文檔中的具體代碼，來看一下基本用法。你需要理解在TensorFlow中，是如何：
５步：
一.將計(jì)算流程表示成圖；
二.通過Sessions來執(zhí)行圖計(jì)算；
三將數(shù)據(jù)表示為tensors；
四　使用Variables來保持狀態(tài)信息；
五　 分別使用feeds和fetches來填充數(shù)據(jù)和抓取任意的操作結(jié)果

使用TensorFlow，你必須明白TensorFlow：

使用圖(graph)來表示任務(wù)
被稱之為會話(Session)的上下文(context)中執(zhí)行圖
使用tensor表示數(shù)據(jù)
通過變量(Variable)維護(hù)狀態(tài)
使用feed和fetch可以為任意操作(arbitrary operation)賦值或者從其中獲取數(shù)據(jù)
例1，生成三維數(shù)據(jù)，然后用一個(gè)平面擬合它：
1
2
3
4
5
6
7
8
以下是官網(wǎng)的操作案例

import tensorflow as tf
import numpy as np

# 用 NumPy 隨機(jī)生成 100 個(gè)數(shù)據(jù)
x_data = np.float32(np.random.rand(2, 100))
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 構(gòu)造一個(gè)線性模型
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化變量
init = tf.global_variables_initializer()
#官網(wǎng)是tf.initialize_all_variables() 該函數(shù)將不再使用，在 2017年#3月2號以后；用 tf.global_variables_initializer() 替代 #tf.initialize_all_variables()
# 啟動圖 (graph)
sess = tf.Session()
sess.run(init)

# 擬合平面
for step in xrange(0, 201):
sess.run(train)
if step % 20 == 0:
print step, sess.run(W), sess.run(b)
# 輸出結(jié)果為：
0 [[-0.14751725 0.75113136]] [ 0.2857058]
20 [[ 0.06342752 0.32736415]] [ 0.24482927]
40 [[ 0.10146417 0.23744738]] [ 0.27712563]
60 [[ 0.10354312 0.21220125]] [ 0.290878]
80 [[ 0.10193551 0.20427427]] [ 0.2964265]
100 [[ 0.10085492 0.201565 ]] [ 0.298612]
120 [[ 0.10035028 0.20058727]] [ 0.29946309]
140 [[ 0.10013894 0.20022322]] [ 0.29979277]
160 [[ 0.1000543 0.20008542]] [ 0.29992008]
180 [[ 0.10002106 0.20003279]] [ 0.29996923]
200 [[ 0.10000814 0.20001261]] [ 0.29998815]
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
注意以下幾條代碼，即前面說的主要流程５步：

W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
sess.run(train)
print step, sess.run(W), sess.run(b)
1
2
3
4
5
6
7
接下來看具體概念：
TensorFlow 用圖來表示計(jì)算任務(wù)，圖中的節(jié)點(diǎn)被稱之為operation，縮寫成op。
一個(gè)節(jié)點(diǎn)獲得 0 個(gè)或者多個(gè)張量 tensor，執(zhí)行計(jì)算，產(chǎn)生0個(gè)或多個(gè)張量。
圖必須在會話(Session)里被啟動，會話(Session)將圖的op分發(fā)到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)生的張量(tensor)返回。

構(gòu)建圖
例2，計(jì)算矩陣相乘：
import tensorflow as tf
# 創(chuàng)建一個(gè) 常量 op, 返回值 'matrix1' 代表這個(gè) 1x2 矩陣.
matrix1 = tf.constant([[3., 3.]])

# 創(chuàng)建另外一個(gè) 常量 op, 返回值 'matrix2' 代表這個(gè) 2x1 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.
# 返回值 'product' 代表矩陣乘法的結(jié)果.
product = tf.matmul(matrix1, matrix2)
1
2
3
4
5
6
7
8
9
10
默認(rèn)圖有三個(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, 你必須在會話里啟動這個(gè)圖.

張量 Tensor
從向量空間到實(shí)數(shù)域的多重線性映射(multilinear maps)（v是向量空間，v*是對偶空間）
你可以把Tensorflow的tensor看做是一個(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。
階

在Tensorflow系統(tǒng)中，張量的維數(shù)被描述為階。但是張量的階和矩陣的階并不是同一個(gè)概念。張量的階是張量維數(shù)的一個(gè)數(shù)量描述，下面的張量（使用python中l(wèi)ist定義的）就是2階：

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
1
你可以認(rèn)為一個(gè)二階張量就是我們平常所說的矩陣，一階張量可以認(rèn)為是一個(gè)向量。對于一個(gè)二階張量，你可以使用語句t[i, j]來訪問其中的任何元素。而對于三階張量你可以通過t[i, j, k]來訪問任何元素：

形狀
Tensorflow文檔中使用了三種記號來方便地描述張量的維度：階，形狀以及維數(shù)。以下展示了它們之間的關(guān)系：

數(shù)據(jù)類型
除了維度，tensor有一個(gè)數(shù)據(jù)類型屬性。你可以為一個(gè)張量指定下列數(shù)據(jù)類型中的任意一個(gè)類型：

在一個(gè)會話中啟動圖
創(chuàng)建一個(gè) Session 對象, 如果無任何創(chuàng)建參數(shù), 會話構(gòu)造器將啟動默認(rèn)圖。
會話負(fù)責(zé)傳遞 op 所需的全部輸入，op 通常是并發(fā)執(zhí)行的。
# 啟動默認(rèn)圖.
sess = tf.Session()

# 調(diào)用 sess 的 'run()' 方法, 傳入 'product' 作為該方法的參數(shù)，
# 觸發(fā)了圖中三個(gè) op (兩個(gè)常量 op 和一個(gè)矩陣乘法 op)，
# 向方法表明, 我們希望取回矩陣乘法 op 的輸出.
result = sess.run(product)

# 返回值 'result' 是一個(gè) numpy `ndarray` 對象.
print result
# ==> [[ 12.]]

# 任務(wù)完成, 需要關(guān)閉會話以釋放資源。
sess.close()

交互式使用
在 Python API 中，使用一個(gè)會話 Session 來 啟動圖, 并調(diào)用 Session.run() 方法執(zhí)行操作.

為了便于在 IPython 等交互環(huán)境使用 TensorFlow，需要用 InteractiveSession 代替 Session 類, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run()。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
例3，計(jì)算 ‘x’ 減去 ‘a(chǎn)’：

# 進(jìn)入一個(gè)交互式 TensorFlow 會話.
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

# 使用初始化器 initializer op 的 run() 方法初始化 'x'
x.initializer.run()

# 增加一個(gè)減法 sub op, 從 'x' 減去 'a'. 運(yùn)行減法 op, 輸出結(jié)果
sub = tf.sub(x, a)
print sub.eval()
# ==> [-2. -1.]

變量 Variable

上面用到的張量是常值張量(constant)。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
變量 Variable，是維護(hù)圖執(zhí)行過程中的狀態(tài)信息的. 需要它來保持和更新參數(shù)值，是需要?jiǎng)討B(tài)調(diào)整的。

下面代碼中有 tf.initialize_all_variables，是預(yù)先對變量初始化，
Tensorflow 的變量必須先初始化，然后才有值！而常值張量是不需要的。

下面的 assign() 操作和 add() 操作，在調(diào)用 run() 之前, 它并不會真正執(zhí)行賦值和加和操作。

例4，使用變量實(shí)現(xiàn)一個(gè)簡單的計(jì)數(shù)器：

# －創(chuàng)建一個(gè)變量, 初始化為標(biāo)量 0. 初始化定義初值
state = tf.Variable(0, name="counter")

# 創(chuàng)建一個(gè) op, 其作用是使 state 增加 1
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 啟動圖后, 變量必須先經(jīng)過`初始化` (init) op 初始化,
# 才真正通過Tensorflow的initialize_all_variables對這些變量賦初值
init_op = tf.initialize_all_variables()

# 啟動默認(rèn)圖, 運(yùn)行 op
with tf.Session() as sess:

# 運(yùn)行 'init' op
sess.run(init_op)

# 打印 'state' 的初始值
# 取回操作的輸出內(nèi)容, 可以在使用 Session 對象的 run() 調(diào)用 執(zhí)行圖時(shí),
# 傳入一些 tensor, 這些 tensor 會幫助你取回結(jié)果.
# 此處只取回了單個(gè)節(jié)點(diǎn) state，
# 也可以在運(yùn)行一次 op 時(shí)一起取回多個(gè) tensor:
# result = sess.run([mul, intermed])
print sess.run(state)

# 運(yùn)行 op, 更新 'state', 并打印 'state'
for _ in range(3):
sess.run(update)
print sess.run(state)

# 輸出:

# 0
# 1
# 2
# 3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
上面的代碼定義了一個(gè)如下的計(jì)算圖：

Ok，總結(jié)一下，來一個(gè)清晰的代碼：
過程就是：建圖->啟動圖->運(yùn)行取值

計(jì)算矩陣相乘：

import tensorflow as tf

# 建圖
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])

product = tf.matmul(matrix1, matrix2)

# 啟動圖
sess = tf.Session()

# 取值
result = sess.run(product)
print result

sess.close()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
上面的幾個(gè)代碼介紹了基本用法，通過觀察，有沒有覺得 tf 和 numpy 有點(diǎn)像呢。

TensorFlow和普通的Numpy的對比，來看一下二者之間的區(qū)別：

eval()

在 Python 中定義完 a 后，直接打印就可以看到 a。

In [37]: a = np.zeros((2,2))

In [39]: print(a)
[[ 0. 0.]
[ 0. 0.]]
1
2
3
4
5
但是在 Tensorflow 中需要顯式地輸出(evaluation，也就是說借助eval()函數(shù))！

In [38]: ta = tf.zeros((2,2))

In [40]: print(ta)
Tensor("zeros_1:0", shape=(2, 2), dtype=float32)

In [41]: print(ta.eval())
[[ 0. 0.]
[ 0. 0.]]
1
2
3
4
5
6
7
8
暫時(shí)整理這些
參考文獻(xiàn)
參考文獻(xiàn)：極客學(xué)院
---------------------
作者：IT界的小小小學(xué)生
來源：CSDN
原文：https://blog.csdn.net/HHTNAN/article/details/78961958
版權(quán)聲明：本文為博主原創(chuàng)文章，轉(zhuǎn)載請附上博文鏈接！

總結(jié)

以上是生活随笔為你收集整理的tensorflow op tf.global_variables_initializer的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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