已经很久没有在CSDN上写Blog了，毕业季找工作真的是一件很头疼的问题，昨天被某公司放了鸽子之后心情十分不爽。反思余后是感觉自己的硬件不足，打算写写博客静静心神，顺便把学到的知识再进行一次比较系统的梳理。水平有限，仅供参考。

1.用TensorFlow写一个简单的HelloWorld

前提：已经安装好tensorflow，CPU/GPU版本均可

相信每一个梦想成为Coder的盆友迈入编程大门的第一步都是写一个HelloWorld。但是如果在面试过程中面试官让手写一个TF的HelloWorld的话也许会有一部分小伙伴写不出来（without hesitate）。作为入门的第一步，先来写一个TF系列的HelloWorld。直接上代码如下：

import tensorflow as tf

str = 'Hello World'     # 定义字符串
const = tf.constant(str)        # 将定义的字符串初始化为tf常量
with tf.Session() as sess:      # 初始化会话
    print(sess.run(const))      # 实例化常量

操作的具体意义已经标注在注释中。

2.什么是TensorFlow？

顾名思义，tensorflow直译过来就是“张量流图”。按照我的理解，假如整个程序的操作集合定义为一条小河（有流动性），那么变量就可以比作装有货物（数据）的船，在河流的每一段可以经历不同的操作，最后达到最终的计算目的（比喻不好请轻喷。。。）。

计算图可以由两部分组成：

1.一组节点，每个节点代表一项操作（类比于河流的不同段）

2.一组有向边，每条边代表被操作的那部分数据（类比于小船）

3.TensorFlow计算流程

Processing：

1.创建一个计算图

2.运行一个会话，并计算图中定义的操作

3.输入数据集合及分析

4.TensorFlow中的数据模型

TensorFlow主要以Tensor作为计算数据，对于一个Tensor，主要具有下面三个属性：Rank,Shape and Type

1.Rank（阶）

Tensor的阶通常解释为张量的维度（dimension）。通常我们称0 rank的Tensor为Scalar（标量），比如普通的数字1，100等都是Scalar；1 rank的Tensor称为Vector（向量），比如a = [1, 2, 3, 4, 5]是一个一维的向量；2 rank的Tensor成为matrix（矩阵），比如m = [[1, 2, 3], [4, 5, 6]]就被定义为一个matrix。

2.Shape（形状）

形状指的是Tensor在每个rank拥有的数据维度。例如上面举出的a = [1, 2, 3, 4, 5]，是一个1维的向量，但是在第一个维度上（第一层括号）具有5个值（1，2，3，4，5），那么该Tensor的形状就是（5，）。由此类推，上面给出的matrix例子的形状为（2，3）。

通过tensor.get_shape()方法可以直接获得当前tensor的形状，代码如下：

scalar = tf.constant(100)
vector = tf.constant([1,2,3,4,5])
matrix = tf.constant([[1,2,3],[4,5]])
cube_matrix = tf.constant([[[1], [2], [3]],[[4],[5],[6]],[[7],[8],[9]],[10]])

print(scalar.get_shape())   #shape:()
print(vector.get_shape())   #shape:(5, )
print(matrix.get_shape())   #shape:(2, 3)
print(cube_matrix.get_shape())  #shape:(3, 3, 1)

Hint：每一个被定义为TF中Tensor的张量都必须是Dense的

上面给出的所有例子都是Dense的，即每个位置不存在缺失值，是一个完整的Data Block，那么如果张量不Dense，例如需要定义一个如下的matrix：

b = [[1,2,3],[4,5],[6]]

那么在使用tf.constant(b)进行定义时，会报下列的错误：

ValueError: Argument must be a dense tensor: [[1, 2, 3], [4, 5], [6]] - got shape [3], but wanted [3, 3].

3.Type

指定了Tensor中的数据数据类型，这就意味着在一个Tensor中只能指定某种类型的数据（不支持多类型）。

每日练手

Q：利用TensorFlow输出从1到10的数

思路：由于Tensorflow只在Session.run()执行时实例化流图，因此如果简单使用某个变量+1的形式，在每一趟循环中该变量将被重新初始化，如下：

value = tf.Variable(0, name = 'value')
one = tf.constant(1)
new_value = tf.add(value, one)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        print(sess.run(new_value))

输出如下：

1
1
1
1
1
1
1
1
1
1

Process finished with exit code 0

修改思路：采用add和assign组合的方式，可以将每次计算得到的new_value拷贝到value中，最后输出每个value的值，如下：

value = tf.Variable(0, name = 'value')
one = tf.constant(1)
new_value = tf.add(value, one)
update_value = tf.assign(value, new_value)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        print(sess.run(update_value))

输出如下

1
2
3
4
5
6
7
8
9
10

Process finished with exit code 0

tf还提供了一个tf.assign_add()的方法，可以使代码更简洁：

value = tf.Variable(0, name = 'value')
one = tf.constant(1)
new_value = tf.assign_add(value, one)
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        print(sess.run(new_value))

参考资料：

GitBook ：Tensorflow深度学习 [意] Giancarlo Zaccone 等（注：不是广告，但是写的挺好，比较适合想要入门的小伙伴~）

Tensorflow 官方文档（中文）：W3C Tensorflow官方文档

一个TFBOY的自我修养——Tensorflow学习笔记（1）