Tensorflow介紹1.

掌握Tensorflow基本概念1.Tensorflow介紹

2.Tensorflow基本基本概念TensorFlow?是一個(gè)使用數(shù)據(jù)流圖進(jìn)行數(shù)值計(jì)算的開(kāi)源軟件庫(kù)。圖中的節(jié)點(diǎn)代表數(shù)學(xué)運(yùn)算，而圖中的邊則代表在這些節(jié)點(diǎn)之間傳遞的多維數(shù)組（張量）。這種靈活的架構(gòu)可讓您使用一個(gè)API將計(jì)算工作部署到桌面設(shè)備、服務(wù)器或者移動(dòng)設(shè)備中的一個(gè)或多個(gè)CPU或GPU。

TensorFlow最初是由Google機(jī)器智能研究部門的GoogleBrain團(tuán)隊(duì)中的研究人員和工程師開(kāi)發(fā)的，用于進(jìn)行機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)研究，但它是一個(gè)非常基礎(chǔ)的系統(tǒng)，因此也可以應(yīng)用于眾多其他領(lǐng)域。TensorFlow可以靈活適應(yīng)不同的使用規(guī)模，既支持探索性研究，也支持大規(guī)模生產(chǎn)用途。TensorFlow目前最新的版本是1.4Tensorflow介紹我們推薦使用GPU運(yùn)行tensorflow，因?yàn)镚PU比CPU更適合張量的運(yùn)算，效率成倍數(shù)提升。但是并不是每臺(tái)設(shè)備都配備GPU，沒(méi)有GPU的設(shè)備可以使用CPU版本。Tensorflow支持多種語(yǔ)言的，推薦使用python做為API，因?yàn)樗a簡(jiǎn)潔，容易上手，最重要的是能混合其他DL庫(kù)一塊使用。Tensorflow需要python3.5以上的運(yùn)行環(huán)境，如果沒(méi)有請(qǐng)下載安裝。安裝有python環(huán)境的執(zhí)行pipinstalltensorflow或者pipinstalltensorflow-gpu即可進(jìn)行安裝，安裝過(guò)程會(huì)自動(dòng)下載安裝所需要的依賴庫(kù)。有線性代數(shù)與矩陣，概率論，多重積分，級(jí)數(shù)變換，信息論等工科基礎(chǔ)。了解前饋神經(jīng)網(wǎng)絡(luò)（BP），卷積神經(jīng)網(wǎng)絡(luò)（CNN），循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）算法。Tensorflow安裝及編程基礎(chǔ)Tensor（張量）：張量是tensorflow核心的基本數(shù)據(jù)單元。

張量是一個(gè)多維數(shù)組。

rank：張量的秩,就是張量的維數(shù)。

shape：描述張量的形狀。計(jì)算方法：去掉中括號(hào)，逗號(hào)+1就是數(shù)組的值。數(shù)組的的長(zhǎng)度是rank。舉例：

[1.,2.,3.]#arank1tensor;avectorwithshape[3][[1.,2.,3.],[4.,5.,6.]]#arank2tensor;amatrixwithshape[2,3][[[1.,2.,3.]],[[7.,8.,9.]]]#arank3tensorwithshape[2,1,3]Tensor（張量）計(jì)算圖是由一系列的tensorflow的操作組成，并且這些操作編配成計(jì)算圖的節(jié)點(diǎn)。站在計(jì)算圖的角度，你可以認(rèn)為tensorflow程序是有相對(duì)獨(dú)立的兩部分組成。構(gòu)建計(jì)算圖、運(yùn)行計(jì)算圖。node1=tf.constant(3.0,dtype=tf.float32)node2=tf.constant(4.0)print(node1,node2)打印結(jié)果：Tensor("Const:0",shape=(),dtype=float32)Tensor("Const_1:0",shape=(),dtype=float32)TheComputationalGraph（計(jì)算圖）Session：囊括tensorflow運(yùn)行時(shí)候的狀態(tài)，運(yùn)行控制。sess=tf.Session()print(sess.run([node1,node2]))結(jié)果：[3.0,4.0]我們當(dāng)然可以寫(xiě)出更復(fù)雜的計(jì)算圖。from__future__importprint_functionnode3=tf.add(node1,node2)print("node3:",node3)print("sess.run(node3):",sess.run(node3))打印出兩行：node3:Tensor("Add:0",shape=(),dtype=float32)sess.run(node3):7.0Session（會(huì)話）placeholders：在計(jì)算圖中，能夠接受額外輸入，通常情況下，提供的值晚于定義。a=tf.placeholder(tf.float32)b=tf.placeholder(tf.float32)adder_node=a+b以上三行代碼，很像一個(gè)函數(shù)，或者是lambda表達(dá)式。我們可以通過(guò)feed_dict參數(shù)去填充一些具體的值。print(sess.run(adder_node,{a:3,b:4.5}))print(sess.run(adder_node,{a:[1,3],b:[2,4]}))輸出結(jié)果：7.5[3.7.]placeholders（占位符）Variables：是在模型訓(xùn)練中，允許修改的量。相同的輸入，通過(guò)修改變量得到不同輸出值。在線性模型中用來(lái)描述權(quán)重和偏移量。W=tf.Variable([.3],dtype=tf.float32)b=tf.Variable([-.3],dtype=tf.float32)x=tf.placeholder(tf.float32)linear_model=W*x+b變量必須顯示申明，使用：init=tf.global_variables_initializer()//初始化全局變量sess.run(init)print(sess.run(linear_model,{x:[1,2,3,4]}))Variables（變量）

tf.train是用于訓(xùn)練模型的低級(jí)API。最簡(jiǎn)單的優(yōu)化方式，梯度下降。就是求損失函數(shù)的導(dǎo)數(shù)，每一步都會(huì)逼近損失函數(shù)最小值。當(dāng)然tensorflow提供tf.gradients自動(dòng)求導(dǎo)，自動(dòng)優(yōu)化損失函數(shù)。optimizer=tf.train.GradientDescentOptimizer(0.01)train=optimizer.minimize(loss)sess.run(init)#resetvaluestoincorrectdefaults.foriinrange(1000):sess.run(train,{x:[1,2,3,4],y:[0,-1,-2,-3