Tensorflow入门学习1

第一章基础知识Tensorflow交流qq千人群：3282162391.1Tensors目前在TensorFlow中的数据结构是tensor。

一个tensor可以是任意维度的张量。

一个tensor的等级就是它维度的数量。

下面是一些tensor的例子：3#a rank0tensor;a scalar with shape[][1.,2.,3.]#a rank1tensor;a vector with shape[3][[1.,2.,3.],[4.,5.,6.]]#a rank2tensor;a matrix with shape[2,3] [[[1.,2.,3.]],[[7.,8.,9.]]]#a rank3tensor with shape[2,1,3]1.2The Computational Graph你可以把Tensorflow的核心程序看成由2部分组成：1.2.1建立计算图1.2.2运行计算图计算图是将一系列tensorflow的操作放到图的节点上。

让我们建立一个简单的计算图。

每个节点将0个或者更多的tensor作为输入，然后输出一个tensor。

有一种节点的类型是常量。

就像所有tensorflow中的常量一样，它不需要输入，输出一个内部储存的值。

我们可以按照如下方法创造2个浮点类型的tensors节点node1和node2：node1=tf.constant(3.0,dtype=tf.float32)node2=tf.constant(4.0)#also tf.float32implicitlyprint(node1,node2)最后的打印效果如下：Tensor("Const:0",shape=(),dtype=float32)Tensor("Const_1:0",shape=(), dtype=float32)我们注意到这并没有像我们预期的意义输出值3.0和4.0。

相反，他们输出了只有在evaluate的时候才会生成3.0和4.0的节点。

为了evaluate这些节点，我们必须在session内run一下计算图。

Session封装了在tensorflow运行的时候需要的一些控制和状态。

下面的代码创建了一个Session对象并且包含了足够的在运行计算图以便evaluate节点1和节点2所需的方法。

如下所示：sess=tf.Session()print(sess.run([node1,node2]))这回，我们看到了期望的结果：[3.0,4.0]我们能通过操作（同样也是一种节点）组合Tensor节点实现更复杂的计算。

例如，我们可以将2个常量节点相加，并且产生一个新的图，如下所示：from__future__import print_functionnode3=tf.add(node1,node2)print("node3:",node3)print("sess.run(node3):",sess.run(node3))TensorFlow提供了一个功能叫TensorBoard，这个功能可以将计算图以图片的形式展示出来。

下面是一个例子，展示了TensorBoard是如何将图进行可视化的：正如它所表示的，这个图并不是特别有趣，因为它经常产生一个常量的结果。

这个图可以参数化的接收外部的输入，这个外部的输入命名为placeholders。

一个placeholders代表着后面会提供一个值：a=tf.placeholder(tf.float32)b=tf.placeholder(tf.float32)adder_node=a+b#+provides a shortcut for tf.add(a,b)前面这3行有点像lambda表达式的功能，实现了对输入的2个参数进行操作。

我们可以用多个输入去评价这个图。

评价方法是传feed_dict参数给run 方法实现把具体的值给占位符:print(sess.run(adder_node,{a:3,b:4.5}))print(sess.run(adder_node,{a:[1,3],b:[2,4]}))输出的结果是:7.5[3.7.]在TensorBoard,图像下面这样：当然，我们也可以加上其他操作使得过程更为复杂一点，例如：add_and_triple=adder_node*3.print(sess.run(add_and_triple,{a:3,b:4.5}))输出结果：22.5最终在TensorBoard上产生的计算图可能如下所示：在机器学习中我们经常需要模型可以有任意输入，就像上面一样。

为了使模型可以训练，我们需要修改模型以便我们能够利用输入得到新的输出。

Variables允许我们增加可训练变量到图中。

他们的构造函数有一个类型参数还有一个初始值:W=tf.Variable([.3],dtype=tf.float32)b=tf.Variable([-.3],dtype=tf.float32)x=tf.placeholder(tf.float32)linear_model=W*x+b当你调用tf.constant的时候所有常量就被初始化了，他们的值永远不会改变。

然而，当你调用tf.Variabl的时候变量并不会被初始化。

为了在Tensorflow程序中初始化变量，我们需要进行下面特殊的操作：init=tf.global_variables_initializer()sess.run(init)注意，init是Tensorflow图中所有变量的句柄，认识到这点很重要。

直到我们调用了sess.run以后，所有变量才会被初始化。

既然x是占位符，我们可以利用若干个具体的x的值去评价线性模型：print(sess.run(linear_model,{x:[1,2,3,4]}))输出结果如下：[0.0.300000010.600000020.90000004]我们已经创建了一个模型，但是我们不知道它有多好。

为了用训练数据去评价模型，我们需要一个y占位符去提供想要的值，此外我们还需要写损失函数。

损失函数是用来衡量现有的模型和提供的数据的偏离程度。

我们用了一个标准的损失函数模型来进行现行回归，这个模型就是计算现有的模型和提供的数据之间平方差的和。

linear_model–y创建了一个向量，向量的每个元素代表了相应的例子的差。

我们调用tf.square来对差进行平方操作。

然后，我们调用tf.reduce_sum将所有的平方差累加形成一个标量用来表示所有例子的误差：y=tf.placeholder(tf.float32)squared_deltas=tf.square(linear_model-y)loss=tf.reduce_sum(squared_deltas)print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]}))最后得到误差值:23.66当然，我们可以人为设定最佳的W和b的值是-1和1.变量可以通过调用tf.Variable来初始化一个变量，但是也可以通过调用tf.assign来改变这个变量。

例如，W=-1,b=-1，是我们模型最有的参数。

我们可以这样改变W和b的值:fixW=tf.assign(W,[-1.])fixb=tf.assign(b,[1.])sess.run([fixW,fixb])print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]}))现在输出的损失误差为0：0.0这里，我们是人为猜测了最优的W和b，但是机器学习是自动地找到最优的模型参数的。

我们将在下个章节中完成这些。

1.3tf.train API机器学习完整的讨论超出了本教程的范围。

但是，TensorFlow提供了一个优化器，能够缓慢的改变各个变量使得损失函数最小化。

最简单的优化器是梯度下降。

它修改各个变量是根据损失函数对变量（w,b）的导数。

一般来说，人为去计算有意义的导数是令人厌烦并且易错的一件事。

但是，Tensorflow可以自动通过你的描述并且利用tf.gradients来计算导数。

简单起见，optimizers可以帮助你完成这个描述过程。

例如：optimizer=tf.train.GradientDescentOptimizer(0.01)train=optimizer.minimize(loss)sess.run(init)#reset values to incorrect defaults.for i in range(1000):sess.run(train,{x:[1,2,3,4],y:[0,-1,-2,-3]})print(sess.run([W,b]))最后的模型参数的结果是：[array([-0.9999969],dtype=float32),array([0.99999082],dtype=float32)]现在，我们就已经在做机器学习了。

虽然这个简单的线性回归并不需要太多的TensorFlow的核心代码，为了喂进更多的数据到你的模型中并且使用更复杂的模型需要更多代码。

因此，TensorFlow提供了更高级别更抽象的东西。

我们将在下一章节中学习怎么使用这些更抽象的API。

1.4计算程序完整的训练线性模型的代码如下：import tensorflow as tf#Model parametersW=tf.Variable([.3],dtype=tf.float32)b=tf.Variable([-.3],dtype=tf.float32)#Model input and outputx=tf.placeholder(tf.float32)linear_model=W*x+by=tf.placeholder(tf.float32)#lossloss=tf.reduce_sum(tf.square(linear_model-y))#sum of the squares#optimizeroptimizer=tf.train.GradientDescentOptimizer(0.01)train=optimizer.minimize(loss)#training datax_train=[1,2,3,4]y_train=[0,-1,-2,-3]#training loopinit=tf.global_variables_initializer()sess=tf.Session()sess.run(init)#reset values to wrongfor i in range(1000):sess.run(train,{x:x_train,y:y_train})#evaluate training accuracycurr_W,curr_b,curr_loss=sess.run([W,b,loss],{x:x_train,y:y_train})print("W:%s b:%s loss:%s"%(curr_W,curr_b,curr_loss))运行结束产生如下结果：W:[-0.9999969]b:[0.99999082]loss:5.69997e-11我们注意到这个损失函数非常小（非常接近0）.当你跑这个程序的时候，你的损失值可能不会和这个意义，因为我们模型的初始化是利用伪随机值初始化的。