TensorFlow学习笔记(一):基本概念
1、编辑器
编写tensorflow代码,实际上就是编写py文件,最好找一个好用的编辑器,如果你用vim或gedit比较顺手,那也可以的啦。我们既然已经安装了anaconda,那么它里面自带一个还算不错的编辑器,名叫spyder,用起来和matlab差不多,还可以在右上角查看变量的值。因此我一直使用这个编辑器。它的启动方式也很简单,直接在终端输入spyder就行了。
2、常量
我们一般引入tensorflow都用语句
import tensorflow as tf
在tf中,常量的定义用语句:
a=tf.constant(10)
这就定义了一个值为10的常量a
3、变量
变量用Variable来定义, 并且必须初始化,如:
x=tf.Variable(tf.ones([3,3])) y=tf.Variable(tf.zeros([3,3]))
分别定义了一个3x3的全1矩阵x,和一个3x3的全0矩阵y,0和1的值就是初始化。
变量定义完后,还必须显式的执行一下初始化操作,即需要在后面加上一句:
init=tf.initialize_all_variables()
这句可不要忘了,否则会出错。
4、占位符
变量在定义时要初始化,但是如果有些变量刚开始我们并不知道它们的值,无法初始化,那怎么办呢?
那就用占位符来占个位置,如:
x = tf.placeholder(tf.float32, [None, 784])
指定这个变量的类型和shape,以后再用feed的方式来输入值。
5、图(graph)
如果把下面的python语句改在tf语句,该怎么写呢:
x=3 y=2 z=x+y print(z)
定义两个变量,并将两个数相加,输出结果。如果在tf中直接像上面这样写,那就错了。x,y,z分别是三个tensor对象,对象间的运算称之为操作(op), tf不会去一条条地执行各个操作,而是把所有的操作都放入到一个图(graph)中,图中的每一个结点就是一个操作。然后行将整个graph 的计算过程交给一个 TensorFlow 的Session, 此 Session 可以运行整个计算过程,比起操作(operations)一条一条的执行效率高的多。
执行代码如下:
import tensorflow as tf x = tf.Variable(3) y = tf.Variable(5) z=x+y init = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init) print(sess.run(z))
其中sess.run()即是执行,注意要先执行变量初始化操作,再执行运算操作。
Session需要先创建,使用完后还需要释放。因此我们使用with...as..语句,让系统自动释放。
例子1:hello world import tensorflow as tf word=tf.constant('hello,world!') with tf.Session() as sess: print(sess.run(word)) 例子2:加法和乘法 import tensorflow as tf a =tf.placeholder(tf.int16) b =tf.placeholder(tf.int16) add =tf.add(a, b) mul =tf.multiply(a, b) withtf.Session() as sess: print('a+b=',sess.run(add, feed_dict={a: 2, b: 3})) print('a*b=',sess.run(mul, feed_dict={a: 2, b: 3})) 此处使用feed_dict以字典的方式对多个变量输入值。 例子3: 矩阵乘法 import tensorflow as tf a=tf.Variable(tf.ones([3,2])) b=tf.Variable(tf.ones([2,3])) product=tf.matmul(5*a,4*b) init=tf.initialize_all_variables() withtf.Session() as sess: sess.run(init) print(sess.run(product)) 其中 product=tf.matmul(5*a,4*b) 也可以改成 product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b)) 定义变量时,没有指定数据类型,则默认为float32,因此是5.0而不是5 import tensorflow as tf a=tf.Variable(tf.ones([3,2])) b=tf.Variable(tf.ones([2,3])) product=tf.matmul(5*a,4*b) init=tf.initialize_all_variables() withtf.Session() as sess: sess.run(init) print(sess.run(product)) 其中 product=tf.matmul(5*a,4*b) 也可以改成 product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b)) 定义变量时,没有指定数据类型,则默认为float32,因此是5.0而不是5