(转)tensorflow简介与结构介绍
1.基础知识
""" tensorflow前端系统：定义程序的图结构，主要是利用一些API实现 tensorflow后端系统：运算图结构 numpy的reshape,在原始数据做修改，并没有创建新的数据对象 1、安装：按照官方文档安装 a）安装python,pip b）升级 python -m pip install --upgrade pip c）win10安装CPU版本tensorflow ,pip install https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.12.0-cp36-cp36m-win_amd64.whl 2、报警告1：FutureWarning: Conversion of the second argument of issubdtype from 解决方法：pip install h5py==2.8.0rc1 报警告2：Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 解决方法： import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' 3、tensorflow结构 椭圆代表张量，简称tensor：tensorflow中所有的数据都封装在tensor中 方块，简称operation(op)：专门运算的操作节点，所有的操作都是op 图(graph)：整个程序的结构 会话(Session)：运算程序的图 4、a）图：运行程序的结构 图默认已经注册，一组表示 tf.Operation计算单位的对象和tf.Tensor。表示操作之间流动的数据单元的对象 获取调用： tf.get_default_graph() op、sess或者tensor 的graph属性 图的作用：主要给程序分配内存 图的创建： 1、创建默认的图：graph = tf.get_default_graph() 2、自定义图： g = tf.Graph() b）op:只要使用tensorflow的api定义的函数都是OP c）张量(tensor):就指代的是数据，op是tensor的载体 d）会话(Session)：相当于桥梁，将图和计算资源连接起来 会话作用： 1、运行图的结构 2、分配资源计算 3、掌握资源(变量的资源，队列，线程) 注意：一个会话只能运行一个图结构 ,但可以在Session中指定图去运算 查看会话的资源情况：tf.Session(config=tf.ConfigProto(log_device_placement=True)) 启动会话：sess.run() 关闭会话：sess.close() 启动会话(sess.run()): 1、run()中的参数必须是tensor或者op类型 2、如果变量想转换为tensor类型，可以和tensor做运算，提升数据类型 3、实时的提供数据进行训练，feed_dict与placeholder结合使用 4、placeholder是一个占位符 Session一般返回异常值： 1、RuntimeError：如果它Session处于无效状态（例如已关闭）。 2、TypeError：如果fetches或feed_dict键是不合适的类型。 3、ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。 5、张量(tensor):是tensorflow基本的数据格式。类似于numpy 张量的阶和数据类型： 包含：name,shape,dype 张量的属性：graph,op,name,shape 张量形状表示： 0维：() 1维：(5) 2维：(5,6) 3维：(2,3,4) 张量形状：包含动态形状和静态形状 1、动态形状：一种描述张量在执行过程中的一种形状 tf.reshape:创建一个具有不同形状的新张量 2、静态形状：创建一个张量，初始状态的形状 tf.Tensor.get_shape:获取静态形状 tf.Tensor.set_shape():更新tensor对象的静态形状 注意：1、静态形状固定了，就不能再次设置形状，只能使用动态形状，但会创建一个新的张量 2、动态形状改变，数据数量一定要匹配 6、运算API:正太分布主要通过平均值和标准差进行表示 1、生成张量：tf.zeros() 、tf.ones() 、tf.constant() 2、随机值张量： 正太分布(高斯分布)随机值：tf.random_normal() 截断的正太分布(高斯分布)随机值：tf.truncated_normal() 3、张量数据类型变换： tf.cast(x,dtype) 万能转换类型 tf.squeeze() 4、拼接：tf.concat(values,axis) 7、变量：tf.Variable(),是一种OP，是一种特殊的张量，能够进行存储持久化，他的值就是张量，默认被训练 1、变量必须都初始化,且要在session中运行 tf.global_variables_initializer() 8、视图(tensorboard):首先将程序图结构序列化成一个event文件，然后通过tensorboard读取这个event文件 1、tf.summary.FileWriter("",graph=) SCALARS:显示0维读值，如准确率，损失值 GRAPHS:显示程序图图结构 HISTOGRAPHS:高维的值，如权重，偏置 2、报错：No dashboards are active for the current data set 原因：因为没有读取到event文件，所以检查运行语句中logdir是否正确： tensorboard --logdir="./tmp/" """
2.、代码
# coding = utf-8
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
#变量op
def vari():
a = tf.constant([1,2,3])
var = tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0))
print(a,var)
init_op = tf.global_variables_initializer() #变量初始化
with tf.Session() as sess:
sess.run(init_op) #运行初始化变量
file = tf.summary.FileWriter("./tmp", graph=sess.graph)
print(sess.run([a, var]))
#图的创建
def createGraph():
g = tf.Graph()
#with表示设定上下文环境
with g.as_default():
c = tf.constant(11.0)
print(c.graph)
def addTest():
a = tf.constant(5.0)
b = tf.constant(6.0)
s = tf.add(a,b)
# print(s)
graph = tf.get_default_graph() #主要是分配内存
# print(graph)
plt = tf.placeholder(tf.float32,[None,3]) #None表示样本数不固定
with tf.Session() as sess:
print(sess.run(plt,feed_dict={plt:[[1,2,3],[4,5,6]]}))
#print(sess.run(s))
print(s.eval()) #使用eval()取值
#打印的地址一致
print(a.graph)
print(s.graph)
print(sess.graph)
def shape():
plt = tf.placeholder(tf.float32,[None,2])
plt.set_shape([3,2]) #静态修改
if __name__ == '__main__':
vari()
转：https://www.cnblogs.com/ywjfx/p/10909987.html
