TensorFlow 初级教程（三）
TensorFlow基本操作
import os import tensorflow as tf os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 使用TensorFlow输出Hello # 创建一个常量操作( Constant op ) # 这个 op 会被作为一个节点( node )添加到默认计算图上. # # 该构造函数返回的值就是常量节点(Constant op)的输出. hello = tf.constant('Hello, TensorFlow!') # 启动TensorFlow会话 sess = tf.Session() # 运行 hello 节点 print(sess.run(hello)) ''' TensorFlow library 的基本操作. ''' import os import tensorflow as tf os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 基本常量操作 # T构造函数返回的值就是常量节点(Constant op)的输出. a = tf.constant(2) b = tf.constant(3) # 启动默认的计算图 with tf.Session() as sess: print("a=2, b=3") print("常量节点相加: %i" % sess.run(a+b)) print("常量节点相乘: %i" % sess.run(a*b)) # 使用变量(variable)作为计算图的输入 # 构造函数返回的值代表了Variable op的输出 (session运行的时候，为session提供输入) # tf Graph input a = tf.placeholder(tf.int16) b = tf.placeholder(tf.int16) # 定义一些操作 add = tf.add(a, b) mul = tf.multiply(a, b) # 启动默认会话 with tf.Session() as sess: # 把运行每一个操作，把变量输入进去 print("变量相加: %i" % sess.run(add, feed_dict={a: 2, b: 3})) print("变量相乘: %i" % sess.run(mul, feed_dict={a: 2, b: 3})) # 矩阵相乘(Matrix Multiplication) # 创建一个 Constant op ，产生 1x2 matrix. # 该op会作为一个节点被加入到默认的计算图 # 构造器返回的值 代表了Constant op的输出 matrix1 = tf.constant([[3., 3.]]) # 创建另一个 Constant op 产生 2x1 矩阵. matrix2 = tf.constant([[2.],[2.]]) # 创建一个 Matmul op 以 'matrix1' 和 'matrix2' 作为输入. # 返回的值, 'product', 表达了矩阵相乘的结果 product = tf.matmul(matrix1, matrix2) # 为了运行 matmul op 我们调用 session 的 'run()' 方法, 传入 'product' # ‘product’表达了 matmul op的输出. 这表明我们想要取回(fetch back)matmul op的输出 # op 需要的所有输入都会由session自动运行. 某些过程可以自动并行执行 # # 调用 'run(product)' 就会引起计算图上三个节点的执行：2个 constants 和一个 matmul. # ‘product’op 的输出会返回到 'result'：一个 numpy `ndarray` 对象. with tf.Session() as sess: result = sess.run(product) print('矩阵相乘的结果：', result) # ==> [[ 12.]] #保存计算图 writer = tf.summary.FileWriter(logdir='logs', graph=tf.get_default_graph()) writer.flush()
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
这是log日志级别设置
import os os.environ["TF_CPP_MIN_LOG_LEVEL"]='1' # 这是默认的显示等级，显示所有信息 os.environ["TF_CPP_MIN_LOG_LEVEL"]='2' # 只显示 warning 和 Error os.environ["TF_CPP_MIN_LOG_LEVEL"]='3' # 只显示 Error
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
这里a,b是作变量处理。tf.placeholder()是占位符，会要求指定变量类型（相当于预先定义），之后会把值传入进去。
print("变量相加: %i" % sess.run(add, feed_dict={a: 2, b: 3}))
print("变量相乘: %i" % sess.run(mul, feed_dict={a: 2, b: 3}))
如上面这段代码所示，在tf.Session.run()中使用feed_dict来传入tensor.feed_dict也可以同时传入多个tensor。
思考：tf.placehold()和tf.Variable()有什么区别呢？
tf.Variable适合一些需要初始化或被训练而变化的权重或参数，而tf.placeholder适合通常不会改变的被训练的数据集。
Variable：主要是用于训练变量之类的。比如我们经常使用的网络权重，偏置。
值得注意的是Variable在声明是必须赋予初始值。在训练过程中该值很可能会进行不断的加减操作变化。
名称的真实含义，在于变量，也即在真实训练时，其值是会改变的，自然事先需要指定初始值；
placeholder:也是用于存储数据，但是主要用于feed_dict的配合，接收输入数据用于训练模型等。placeholder值在训练过程中会不断地被赋予新的值，用于批训练，基本上其值是不会轻易进行加减操作。
placeholder在命名时是不会需要赋予值得，其被赋予值得时间实在feed_dict时。其命名的原因所在，仅仅作为一种占位符；
tf.placeholder(dtype, shape=None, name=None)
此函数可以理解为形参，用于定义过程，在执行的时候再赋具体的值
参数：
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3]表示列是3，行不定
name：名称。
参考文献：http://blog.csdn.net/hhtnan/article/details/78990618
product = tf.matmul(matrix1, matrix2)
为了运行 matmul op 我们调用 session 的 'run()' 方法, 传入 'product' # ‘product’表达了 matmul op的输出. 这表明我们想要取回(fetch back)matmul op的输出。op 需要的所有输入都会由session自动运行. 某些过程可以自动并行执行。调用 'run(product)' 就会引起计算图上三个节点的执行：2个 constants 和一个 matmul。 ‘product’op 的输出会返回到 'result'：一个 numpy `ndarray` 对象.
保存计算图
writer = tf.summary.FileWriter(logdir='logs', graph=tf.get_default_graph())
writer.flush()#强制写入
将你的event存储在logs_dir中，然后在terminal中输入tensorboard --logdir=logs_dir 打开tensorboard
Tensorflow实现K近邻分类器
import numpy as np import os import tensorflow as tf os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 导入MNIST数据集 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("mnist_data/", one_hot=True) # 我们对MNIST数据集做一个数量限制， Xtrain, Ytrain = mnist.train.next_batch(5000) #5000 用于训练(nn candidates) Xtest, Ytest = mnist.test.next_batch(200) #200 用于测试 print('Xtrain.shape: ', Xtrain.shape, ', Xtest.shape: ',Xtest.shape) print('Ytrain.shape: ', Ytrain.shape, ', Ytest.shape: ',Ytest.shape) # 计算图输入占位符 xtrain = tf.placeholder("float", [None, 784]) xtest = tf.placeholder("float", [784]) # 使用L1距离进行最近邻计算 # 计算L1距离 distance = tf.reduce_sum(tf.abs(tf.add(xtrain, tf.negative(xtest))), axis=1) # 预测: 获得最小距离的索引 (根据最近邻的类标签进行判断) pred = tf.arg_min(distance, 0) #评估：判断给定的一条测试样本是否预测正确 # 初始化节点 init = tf.global_variables_initializer() #最近邻分类器的准确率 accuracy = 0. # 启动会话 with tf.Session() as sess: sess.run(init) Ntest = len(Xtest) #测试样本的数量 # 在测试集上进行循环 for i in range(Ntest): # 获取当前测试样本的最近邻 nn_index = sess.run(pred, feed_dict={xtrain: Xtrain, xtest: Xtest[i, :]}) # 获得最近邻预测标签，然后与真实的类标签比较 pred_class_label = np.argmax(Ytrain[nn_index]) true_class_label = np.argmax(Ytest[i]) print("Test", i, "Predicted Class Label:", pred_class_label, "True Class Label:", true_class_label) # 计算准确率 if pred_class_label == true_class_label: accuracy += 1 print("Done!") accuracy /= Ntest print("Accuracy:", accuracy)
tf.reduce_sum()
官方给的api
reduce_sum( input_tensor, axis=None, keep_dims=False, name=None, reduction_indices=None )
input_tensor:表示输入
axis:表示在那个维度进行sum操作。当axis=0表示按列相加，当axis=1表示按行相加
keep_dims:表示是否保留原始数据的维度，False相当于执行完后原始数据就会少一个维度。
reduction_indices:为了跟旧版本的兼容，现在已经不使用了。
tf.arg_min
官方api
tf.argmin argmin( input, axis=None, name=None, dimension=None, output_type=tf.int64 )
Returns the index with the smallest value across axes of a tensor. (deprecated arguments)
返回在所给轴（axis）上最小值的索引
SOME ARGUMENTS ARE DEPRECATED. They will be removed in a future version. Instructions for updating: Use the axis argument instead Note that in case of ties the identity of the return value is not guaranteed.
有一些是过时的。他们将在未来的版本中删除。说明：使用轴参数代替注意的返回值的身份是没有保证的情况下。
参考文献：http://blog.csdn.net/NockinOnHeavensDoor/article/details/78853142
np.argmin
numpy.argmax(a, axis=None, out=None)[source] Returns the indices of the maximum values along an axis.
Parameters:
a : array_like
Input array.
axis : int, optional
By default, the index is into the flattened array, otherwise along the specified axis.
out : array, optional
If provided, the result will be inserted into this array. It should be of the appropriate shape and dtype.
Returns:
index_array : ndarray of ints
Array of indices into the array. It has the same shape as a.shape with the dimension along axis removed.
