TensorFlow工具快速入门教程7 TensorFlow基础

在机器学习中，模型被提供称为特征向量的对象列表。特征向量可以是任何数据类型。特征向量通常是填充张量的主要输入。这些值将通过张量流入op节点，此操作/计算的结果将创建一个新的张量，该张量又将用于新的操作。所有这些操作都可以在图表中查看。

张量的表示

在TensorFlow中，张量是n维的特征向量（即阵列）的集合。例如，2x3矩阵，其值为1到6

TensorFlow将此矩阵表示为：

[[1,2,3]，
 [4,5,6]]

如果我们创建一个值为1到8的三维矩阵

TensorFlow将此矩阵表示为：

[[[1,2]，
 [[3,4]，
 [[5,6]，
 [[7,8]]

注意：张量可以用标量表示，也可以有三维以上的形状。可视化更高维度级别更加复杂。

张量的类型

张量具有三个属性的对象：name、shape、dtype

TensorFlow执行的每个操作都涉及张量的操作。您可以创建四个主要张量：tf.Variable，tf.constant，tf.placeholder，tf.SparseTensor

张量的维度

tf.constant的使用说明：

tf.constant(value, dtype, name = "")
arguments
- `value`: Value of n dimension to define the tensor. Optional
- `dtype`: Define the type of data: 
 - `tf.string`: String variable 
 - `tf.float32`: Flot variable 
 - `tf.int16`: Integer variable
- "name": Name of the tensor. Optional. By default, `Const_1:0` 

0维，即标量：

>>> r1 = tf.constant(1, tf.int16)
>>> r1

可以给标量取个名字：

>>> r2 = tf.constant(1, tf.int16, name = "my_scalar")
>>> r2

>>> r1_decimal = tf.constant(1.12345, tf.float32)
>>> r1_decimal

>>> r1_string = tf.constant("https://china-testing.github.io", tf.string)
>>> r1_string

维度：

>>> r1_vector = tf.constant([1,3,5], tf.int16)
>>> r1_vector

>>> r2_boolean = tf.constant([True, True, False], tf.bool)
>>> r2_boolean

>>> r2_matrix = tf.constant([ [1, 2], [3, 4] ],tf.int16)
>>> r2_matrix

>>> r3_matrix = tf.constant([ [[1, 2], [3, 4], [5, 6]] ], tf.int16)
>>> r3_matrix

张量的Shape

>>> m_shape = tf.constant([ [10, 11], [12, 13], [14, 15] ] )
>>> m_shape.shape
TensorShape([Dimension(3), Dimension(2)])
>>> tf.zeros(10)

>>> tf.ones([10, 10])

>>> tf.ones(m_shape.shape[0])

>>> tf.ones(m_shape.shape[1])

>>> tf.ones(m_shape.shape)

张量的数据类型

>>> m_shape.dtype
tf.int32
>>> type_float = tf.constant(3.123456789, tf.float32)
>>> type_int = tf.cast(type_float, dtype=tf.int32)
>>> type_float.dtype
tf.float32
>>> type_int.dtype
tf.int32

操作

• tf.add(a, b)
• tf.substract(a, b)
• tf.multiply(a, b)
• tf.p(a, b)
• tf.pow(a, b)
• tf.exp(a)
• tf.sqrt(a)

>> tensor_a = tf.constant([[1,2]], dtype = tf.int32)
>>> tensor_b = tf.constant([[3, 4]], dtype = tf.int32)
>>> tensor_add = tf.add(tensor_a, tensor_b)
>>> tensor_add

>>> tensor_multiply = tf.multiply(tensor_a, tensor_b)
>>> tensor_multiply

变量

tf.get_variable(name = "", values, dtype, initializer)
argument
- `name = ""`: Name of the variable
- `values`: Dimension of the tensor
- `dtype`: Type of data. Optional
- `initializer`: How to initialize the tensor. Optional
If initializer is specified, there is no need to include the `values` as the shape of `initializer` is used.
>>> var = tf.get_variable("var", [1, 2])
>>> var.shape
TensorShape([Dimension(1), Dimension(2)])
>>> var_init_1 = tf.get_variable("var_init_1", [1, 2], dtype=tf.int32, initializer=tf.zeros_initializer)
>>> var_init_1.shape
TensorShape([Dimension(1), Dimension(2)])
>>> tensor_const = tf.constant([[10, 20], [30, 40]])
>>> var_init_2 = tf.get_variable("var_init_2", dtype=tf.int32, initializer=tensor_const)
>>> print(var_init_2.shape)
(2, 2)

占位符

tf.placeholder(dtype,shape=None,name=None )
arguments:
- `dtype`: Type of data
- `shape`: dimension of the placeholder. Optional. By default, shape of the data
- `name`: Name of the placeholder. Optional 
>>> data_placeholder_a = tf.placeholder(tf.float32, name = "data_placeholder_a")
>>> print(data_placeholder_a)
Tensor("data_placeholder_a:0", dtype=float32)

Session

• Graph TensorFlow的基础。 所有数学运算(ops)都在Graph中执行。 您可以将Graph想象为每个操作都已完成的项目。 节点代表这些操作，它们可以吸收或创建新的张量。
• Tensor

张量表示在操作之间进行的数据。 您之前看到过如何初始化张量。 常量和变量之间的差异是变量的初始值将随时间变化。

• Session

会话将从图中执行操作。 要使用张量值来提供图形，您需要打开会话。 在会话内，运行操作以创建输出。

>>> x = tf.constant([2])
>>> y = tf.constant([4])
>>> multiply = tf.multiply(x, y)
>>> sess = tf.Session()
2018-11-21 22:41:34.184786: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
>>> result_1 = sess.run(multiply)
>>> print(result_1)
[8]
>>> sess.close()
>>> with tf.Session() as sess:
... result_2 = multiply.eval()
... print(result_2)
...
[8]
>>> sess = tf.Session()
>>> print(sess.run(r1))
1
>>> print(sess.run(r2_matrix))
[[1 2]
 [3 4]]
>>> print(sess.run(r3_matrix))
[[[1 2]
 [3 4]
 [5 6]]]
>>> sess.run(tf.global_variables_initializer())
>>> print(sess.run(var))
[[ 0.5487809 -0.9846178]]
>>> print(sess.run(var_init_1))
[[0 0]]
>>> print(sess.run(var_init_2))
[[10 20]
 [30 40]]
>>> import numpy as np
>>> power_a = tf.pow(data_placeholder_a, 2)
>>> with tf.Session() as sess:
... data = np.random.rand(1, 10)
... print(sess.run(power_a, feed_dict={data_placeholder_a: data})) # Will succeed.
...
[[0.00214566 0.22329086 0.03267581 0.97980934 0.10616333 0.08555447
 0.06780323 0.23336452 0.10076617 0.01539159]]

x = tf.get_variable("x", dtype=tf.int32, initializer=tf.constant([5]))
z = tf.get_variable("z", dtype=tf.int32, initializer=tf.constant([6]))
c = tf.constant([5], name = "constant")
square = tf.constant([2], name = "square")
f = tf.multiply(x, z) + tf.pow(x, square) + z + c
init = tf.global_variables_initializer() # prepare to initialize all variables
with tf.Session() as sess:
 init.run() # Initialize x and y 
 function_result = f.eval()
 print(function_result)

执行结果： [66]