Tensorflow教程

前言

1、TensorFlow 是由 Google Brain 团队为深度神经网络（DNN）开发的功能强大的开源软件库；

2、TensorFlow 允许将深度神经网络的计算部署到任意数量的 CPU 或 GPU 的服务器、PC 或移动设备上，且只利用一个 TensorFlow API。

3、那 TensorFlow 与其他深度学习库，如 Torch、Theano、Caffe 和 MxNet的区别在哪里呢？

包括 TensorFlow 在内的大多数深度学习库能够自动求导(自动求导 (Automatic Differentiation, AD) - 秦时明月0515 - 博客园)、开源、支持多种 CPU/GPU、拥有预训练模型，并支持常用的NN架构，如递归神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）。

 

TensorFlow程序

import tensorflow as tf
message = tf.constant('Hello World!')
with tf.session() as sess:
print(sess.run(message).decode())

tf.session()用法：TensorFlow：tf.Session函数_w3cschool

tf.constant()用法：tf.constant(常量)_bestrivern的博客-CSDN博客_tf.constant

Python decode() 方法：Python decode()方法 | 菜鸟教程

 

TensorFlow 程序解读分析

前面的代码分为以下三个主要部分：

1、 import 模块包含代码将使用的所有库，在目前的代码中只使用 TensorFlow，import tensorflow as tf 则允许 Python 访问 TensorFlow 所有的类、方法和符号。

2、包含图形定义部分...创建想要的计算图。

在本例中计算图只有一个节点，tensor 常量消息由字符串“Welcome to the exciting world of Deep Neural Networks”构成。

3、是通过会话执行计算图，这部分使用 with 关键字创建了会话，最后在会话中执行以上计算图。

 

TensorFlow程序结构（深度剖析）

TensorFlow程序结构（深度剖析）

 

TensorFlow常量、变量和占位符详解

TensorFlow常量、变量和占位符详解

1、tensorflow常量

#Tensorflow常量举例：
zero_t=tf.zeros([2,3],tf.int32)#创立一个2*3的所有元素都是0的张量
ones_t = tf.ones([2,3],tf.int32)#全部元素都是1

TensorFlow 允许创建具有不同分布的随机张量，也可以随机裁剪张量为指定的大小。

tensorflow参数—seed：如果设置了seed的值，则每次执行程序所产生的随机数或者随机序列均相等，即都为同一个随机数或者随机序列；如果没有设置seed参数的取值，那么每次执行程序所产生的随机数或者随机序列均不等。

浅析tensorflow的种子（seed）参数_Legolas~的博客-CSDN博客_tensorflow随机数种子

tensorflow参数—mean：均值（默认为0），stddev：标准差（默认为1.0）。

 

2、tensorflow变量

#两者将被初始化为形状为 [50，50] 的随机均匀分布，最小值=0，最大值=10
rand=tf.random_uniform([50,50],0,10,seed=0)
rand_a=tf.Variable(rand)
rand_b=tf.Variable(rand)

#定义权重和偏置
weight=tf.Variable(tf.random_normal([100,100],stddev=2))
bias=tf.Variable(tf.zeros[100],name='biases')

#法一：在计算图的定义中通过声明初始化 *** 作对象来实现
sess=tf.session()
init_op=tf.globle_variables_initializer()
sess.run(init_op)

#法二：每个变量也可以在运行图中单独使用 tf.Variable.initializer 来初始化
with tf.session() as sess:
 sess.run(bias.initializer)

注意：

变量通常在神经网络中表示权重和偏置。

变量的定义将指定变量如何被初始化，但必须（在计算或者运行中）显式初始化所有的声明变量。

所有常量、变量和占位符在代码的计算图部分中定义。

如果在定义部分使用 print 语句，只会得到有关张量类型的信息，而不是它的值。

（要用session会话对需要提取的张量显式使用运行命令）

 

3、TensorFlow 占位符——它们用于将数据提供给计算图

#在这里，为 x 定义一个占位符并计算 y=2*x，使用 feed_dict 输入一个随机的 4×5 矩阵：
x=tf.placeholder("float")
y=x*2
data=tf.random_uniform([4,5],10)
with session() as sess:
 x_data=sess.run(data)
 print(sess.run(y,feed_dict={x:x_data})

补充：很多时候需要大规模的常量张量对象，在这种情况下，为了优化内存，最好将它们声明为一个可训练标志设置为 False 的变量，如

t_large=tf.Variable(large_array,trainable=False)

 

TensorFlow矩阵基本 *** 作及其实现

import tensorflow as tf
#开始一个交互式对话
sess=tf.InteractiveSession()

#创建一个5*5的对角为1单位矩阵
matrix=tf.eye(5)
print(matrix.eval())

#创建一个10*10的对角为1单位矩阵变量
Matrix=tf.Variable(tf.eye(10))
Matrix.initilizer.run()
print(Matrix.eval())

#创建一个5*10的随机矩阵
matrix_t=tf.Variable(tf.random_normal([5,10]))
matrix_t.initilizer.run()

#两个矩阵相乘
product=tf.matmul(matrix_t,Matrix)
print(product.eval())

#类型转换
Matrix_t=tf.Variable(tf.random_uniform([5,10],0,2,dtype=tf.int32))
Matrix_t.initlizer.run()
print(Matrix_t.eval())
Matrix_tnew=tf.cast(Matrix_t,dtype=tf.float32)

#两矩阵相加
sum=tf.add(product,Matrix_tnew)
print("sum=",sum.eval())

#其他情况
a=tf.Variable(tf.random_normal([4,5],stddev=2))
b=tf.Variable(tf.random_normal([4,5],stddev=2))
A=a*b
B=tf.scalar_mul(2,A)
C=tf.div(a,b)
D=tf.mod(a,b)
init_op=tf.globle_variables_initilizer()
with tf.session() as sess
 sess.run(init_op)
 write=tf.summary.FileWrite('graphs',sess.graph)
 A_,B_,C_,D_=sess.run([A,B,C,D])
 print("A=",A_,"\nB=",B_)
 writer.close() #需要close才能保存计算图

tf.InteractiveSession()与tf.Session()的区别_XerCis的博客-CSDN博客

Tensorflow.js tf.eye()用法及代码示例 - 纯净天空

tf.random_uniform()_永久的悔的博客-CSDN博客_tf.random_uniform

tf.multiply()、tf.matmul()、tf.scalar_mul()函数介绍和示例_痴迷、淡然~的博客-CSDN博客

TensorFlow四则运算之除法：tf.divide()_凝眸伏笔的博客-CSDN博客_tf.divide

tf.summary.FileWriter用法_小小码农JACK的博客-CSDN博客_tf.summary.filewriter

如果在整数张量之间进行除法，最好使用 tf.truediv(a，b)，因为它首先将整数张量转换为浮点类，然后再执行按位相除。

 

TensorFlow TensorBoard可视化数据流图