TensorFlow基础（一）——张量、计算图、会话

雨点打透心脏的1/2处 2022-01-10 02:17 328阅读 0赞

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70][]

为了使用TensorFlow，我们需要明白什么是Tensorflow。下面介绍Tensorflow的5个特征：

*  用计算图：Graph来表示计算过程
 *  用会话：Sessions来执行图
 *  使用张量：tensors来表示数据
 *  使用参数：Variables来维护状态
 *  使用feeds和fetches操作对任意的操作取出或者存入数据

## 1. 综述 ##

Tensorflow是一个编程系统，你需要把计算用图来表示。图中的节点被称作ops（操作，operation的缩写）。一个**操作的输入**是0个或多个的Tensors，用来进行一些计算，然后产生0个或多个的Tensors输出。我们可以把**Tensor当做是一个多维矩阵**。例如，我们可以把**一个堆（batch）的图片**表示成一个**4-D的矩阵**，\[batch, height, width, channels\]。   
        一个Tensorflow图描绘一个计算过程。为了完成计算，在一个会话（Session）中启动图（graph）。会话将图中的操作分配给设备，例如CPUs，GPUs，然后提供一些方法去执行他们。这些方法执行后，将产生的 tensor 返回。在 Python 语言中，返回的 tensor 是 numpy ndarray 对象；在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.

## 2. 计算图（Graph） ##

**计算图**：搭建神经网络的计算过程，只搭建，不运算。

一个Tensorflow程序通常分为两个阶段——构建阶段，执行阶段。**构建阶段**是搭建一幅图，**执行阶段**是使用一个会话来完成图中的操作。   
例如，我们在构建阶段构造一个图来描述神经网络的结构和训练过程，然后在执行阶段在图上重复的执行训练操作。   
Tensorflow支持C，C++和Python语言。目前，TensorFlow 的 Python 库更加易用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被 C 和 C++ 库支持。

### 2.1 构建图 ###

刚开始我们构造一个**不含输入操作（源节点），例如Constant，然后把这个操作的输出作为其它操作的输入。**   
TensorFlow Python 库有一个默认图 (default graph)，op 构造器可以为其增加节点。这个默认图对许多程序来说已经足够用了。阅读 Graph 类 文档 来了解如何管理多个图。

import tensorflow as tf  
    
    # 创建一个常量op, 产生一个1x2矩阵. 这个op被作为一个节点  
    # 加到默认图中.  
    # 构造器的返回值代表该常量op的返回值.  
    matrix1 = tf.constant([[3., 3.]])  
    
    # 创建另外一个常量op, 产生一个2x1矩阵.  
    matrix2 = tf.constant([[2.],[2.]])  
    
    # 创建一个矩阵乘法matmul op , 把'matrix1'和'matrix2'作为输入.  
    # 返回值'product'代表矩阵乘法的结果.  
    product = tf.matmul(matrix1, matrix2)

###  ###

实例：搭建一张计算图

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1][]

**计算图是承载一个或多个神经元的一张图，只搭建网络，不运算。下面左边是神经元的基本图，用张量运算描述这个神经元（右边）**

![20190630164559280.png][]**  **![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 2][]

### 2.2 在一个会话中启动图 ###

构建完图之后，需要创建一个session对象来启动图。

# 启动默认图.
    sess = tf.Session()
    
    # 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
    # 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
    # 矩阵乘法 op 的输出.
    # 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
    # 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
    # 返回值 'result' 是一个 numpy `ndarray` 对象.
    result = sess.run(product)
    print result
    # ==> [[ 12.]] #run的运算结果
    
    # 任务完成, 关闭会话.
    sess.close()

除了显示的close掉外，还可以用with语句自动的close，用法和python打开文件类似：

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

### 2.3 交互式使用 ###

使用2.2中的方法，每次运行一个节点都需要session.run(节点名)，十分不方便。有时候需要交互式的看结果。tensorflow提供了InteractiveSession类来代替session类。

# 进入一个交互式 TensorFlow 会话.
    import tensorflow as tf
    sess = tf.InteractiveSession()
    
    x = tf.Variable([1.0, 2.0]) #创建一个变量
    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()
    
    # 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
    sub = tf.sub(x, a)
    print sub.eval()
    # ==> [-2. -1.]

因为图中的输入不再全是常量，x是一个变量，所以启动图前需要对图中变量进行初始化。

### 2.4 tensorflow中数据的表示 ###

tensorflow中用tensor来表示数据，无论这个数据是常量还是变量，一维数组或者是二维数组。一个tensor包含一个静态类型rank和一个shape。

### 2.5 变量 ###

变量是tensorflow中最常用的一种数据类型。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 3][]

**注：标准差、均值、随机种子没特殊要求可不写**

> **tf.random\_normal()函数可以用下面的函数代替：**
> 
> **tf.turncated\_narmal()：表示去掉过大偏离点的正态分布，即生成的数据偏离平均值两个标准差会被去掉，重新生成；**
> 
> **还可以生成常量，如tf.zeros等。。。**

下面的例子演示了如何使用变量实现一个简单的计数器。

# 创建一个变量, 初始化为标量 0.
    state = tf.Variable(0, name="counter")
    
    # 创建一个 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)
    
    # 启动图后, 变量必须先经过`初始化` (init) op 初始化,
    # 首先必须增加一个`初始化` op 到图中.
    init_op = tf.initialize_all_variables()
    
    # 启动图, 运行 op
    with tf.Session() as sess:
      # 运行 'init' op
      sess.run(init_op)
      # 打印 'state' 的初始值
      print sess.run(state)
      # 运行 op, 更新 'state', 并打印 'state'
      for _ in range(3):
        sess.run(update)
        print sess.run(state)
    
    # 输出:
    
    # 0
    # 1
    # 2
    # 3

在sess.run()之前任何一个节点都不会被运行，tf.add、tf.assign、tf.initialize\_all\_variables这些语句只是告诉计算机这些节点是怎么运算的，并没有真正的去运算。真正的运算是在他们被run的时候。

### 2.6 Fetch ###

我们还可以在一个run中，同时执行多个操作。

import tensorflow as tf
    input1 = tf.constant(3.0)
    input2 = tf.constant(2.0)
    input3 = tf.constant(5.0)
    intermed = tf.add(input2, input3)
    mul = tf.mul(input1, intermed)
    
    with tf.Session() as sess:
      result1, result2 = sess.run([mul, intermed])
      print result1
      print result2

### 2.7 Feed ###

有的时候在构建图的时候，还不太确定输入是什么。或者为了灵活性，输入可以是多种变量。在定义输入的时候，可以使用placeholder对象先占个坑，之后的运算节点的定义和以前一样。不同之处在于，run的时候需要指定输入。

input1 = tf.placeholder(tf.float32)
    input2 = tf.placeholder(tf.float32)
    output = tf.mul(input1, input2)
    
    with tf.Session() as sess:
      print sess.run([output], feed_dict={input1:[7.], input2:[2.]})
    
    # 输出:
    # [array([ 14.], dtype=float32)]

### 2.8 session.run(\[output\], …) 和 session.run(output, …) 的区别 ###

tensorflow的基本用法就是这些，之后将针对一些具体的应用更加深入的介绍tensorflow的用法。

1、接着上边的定义，当output不带[]时：
    with tf.Session() as sess:
        result = sess.run(output, feed_dict={input1:[7.0], input2:[2.0]})
        print type(result)
        print result
    
    #输出
    #<type 'numpy.ndarray'>
    #[ 14.]
    
    2、当input后面不带[]时：
    with tf.Session() as sess:
        result = sess.run(output, feed_dict={input1:7.0, input2:2.0})
        print type(result)
        print result
    
    #输出
    #<type 'numpy.float32'>
    #14.0
    
    3、第三种情况
    with tf.Session() as sess:
        print sess.run([output], feed_dict={input1:[7.0, 3.0], input2:[2.0, 1.0]})
    
    #输出
    #[array([ 14.,   3.], dtype=float32)]
    
    4、第四种情况
    with tf.Session() as sess:
        print sess.run(output, feed_dict={input1:[7.0, 3.0], input2:[2.0, 1.0]})
    
    #输出
    #[ 14.   3.]

转自：

Tensorflow系列——基本用法：[https://blog.csdn.net/u011500062/article/details/53355226][https_blog.csdn.net_u011500062_article_details_53355226]

TensorFlow入门（一）基本用法：[https://blog.csdn.net/Jerr\_\_y/article/details/57084008][https_blog.csdn.net_Jerr_y_article_details_57084008]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70]: /images/20220109/4f570b95160e4c8ead0c87f0c226d28c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 1]: /images/20220109/145ae20187ec4767b0a5ea175ff32589.png
[20190630164559280.png]: https://img-blog.csdnimg.cn/20190630164559280.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 2]: /images/20220109/e9e95581918944328240ce428c2d76cd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM3NzY0MTI5_size_16_color_FFFFFF_t_70 3]: /images/20220109/7332beb249154d52b2ba7bc6408577bf.png
[https_blog.csdn.net_u011500062_article_details_53355226]: https://blog.csdn.net/u011500062/article/details/53355226
[https_blog.csdn.net_Jerr_y_article_details_57084008]: https://blog.csdn.net/Jerr__y/article/details/57084008