Tensorflow 入门基础

一、TensorFlow简介与安装

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，采用数据流图（data flow graphs），
    用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互
    张量从流图的一端流动到另一端计算过程。TensorFlow不只局限于神经网络，其数据流式图支持非常自由的
    算法表达， 就可以使用TensorFlow。
TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，TensorFlow一大亮点是组成的分布式系统。

1.1TensorFlow的特点

● 高度的灵活性
    TensorFlow 采用数据流图，用于数值计算的开源软件库。只要计算能表示为一个数据流图，
    你就可以使用Tensorflow。
● 真正的可移植性
    Tensorflow 在CPU和GPU上运行，可以运行在台式机、服务器、云服务器、手机移动   设备、
    Docker容器里等等。
● 将科研和产品联系在一起
    过去如果要将科研中的机器学习想法用到产品中，需要大量的代码重写工作。Tensorflow
    将改变这一点。使用Tensorflow可以让应用型研究者将想法迅速运用到产品中，也可以
    让学术性研究者更直接地彼此分享代码，产品团队则用Tensorflow来训练和使用计算模型，
    并直接提供给在线用户，从而提高科研产出率。
● 自动求微分
    基于梯度的机器学习算法会受益于Tensorflow自动求微分的能力。使用Tensorflow，
    只需要定义预测模型的结构，将这个结构和目标函数（objective function）结合在一起，
    并添加数据，Tensorflow将自动为你计算相关的微分导数。
● 多语言支持
    Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行
    你的graphs。你可以直接写python/c++程序，也可以用交互式的Ipython界面来用Tensorflow
    尝试这些想法，也可以使用Go，Java，Lua，Javascript，或者是R等语言。
● 性能最优化
    如果你有一个32个CPU内核、4个GPU显卡的工作站，想要将你工作站的计算潜能全发挥出来，
    由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持，Tensorflow让你可以将你手边
    硬件的计算潜能全部发挥出来。你可以自由地将Tensorflow图中的计 算元素分配到不同设备上，
    充分利用这些资源。

1.2 TensorFlow的安装

使用Anaconda集成环境安装
    执行：conda  install  tensorflow
验证安装是否成功，可以通过导入tensorflow来检验。
    启动 python 执行：import tensorflow as tf

1.3TensorFlow的一些主要技术特征：

编辑模型	Dataflow-like model（数据流模型）
语言	Python、C++、Go、Rust、Haskell、Java（还有非官方的JavaScript、R等）
部署	Code once、run everywhere（一次编写，各处运行）
计算资源	CPU(Linux、Mac、Windows、Android，iOS) GPU(Linux、Mac、Windows) TPU(Tensor Processing Unit)
实现方式	Local Implementation（单机实现） Distributed Implementation（分布式实现）
平台支持	Google Cloud Platform（谷歌云平台） Hadoop File System(Hadoop 分布式文件系统)
数学表达	Math Graph Expression（数学计算图表达） Auto Differentiation（自动微分）

二、TensorFlow总体介绍

使用 TensorFlow, 你必须明白 TensorFlow:

◆ 使用图 (graph) 来表示计算任务。
◆ 在被称之为 会话 (Session) 的上下文 (context) 中执行图。
◆ 使用 tensor 表示数据。
◆ 通过 变量 (Variable) 维护状态。
◆ 使用 feed 和 fetch 可以为任意的操作(arbitrary operation)赋值或者从其中获取数据。

一个 TensorFlow 图描述了计算的过程。为了进行计算, 图必须在会话里被启动. 会话将图的 op 分发到诸如 CPU 或 GPU 之类的设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回。在 Python 语言中, 返回的 tensor 是 numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例。

编程模式

命令式编程（imperative style programs）
符号式编程（symbolic style programs）。
命令式编程容易理解和调试，命令语句基本没有优化，按原有逻辑执行。符号式编程涉及较多的嵌入和优化，
不容易理解和调试，但运行速度有同比提升。
Torch是典型的命令式风格
caffe、theano、mxnet和Tensorflow都使用了符号式编程。
其中caffe、mxnet采用了两种编程模式混合的方法，
而Tensorflow是完全采用了符号式编程，Theano和Tensorflow的编程模式更相近。
命令式编程是常见的编程模式，编程语言如python/C++都采用命令式编程。命令式编程明确输入变量，
并根据程序逻辑逐步运算，这种模式非常在调试程序时进行单步跟踪，分析中间变量。

三、 实例详解

  python 命令式编程                       Tensorflow符号式编程
    a=3;b=5
    c=a*b
    print(c)
    d=a+b
    e=c+d
    print(e)

3.1利用constant表示输入

import tensorflow as tf

a=tf.constant(5,name="input_a")
b=tf.constant(3,name="input_b")
c=tf.multiply(a,b,name="mul_c")
d=tf.add(a,b,name="add_d")
e=tf.add(c,d,name="add_e")
sess=tf.Session()
 #with tf.Session() as sess:
output=sess.run(e)   ##输出结果为23
print("输出结果:", output)

writer=tf.summary.FileWriter('home/feigu/tmp',sess.graph)
writer.close()
sess.close()

3.2 使用variable表示输入

import tensorflow as tf

a=tf.Variable(5,name="input_a")
b=tf.Variable(3,name="input_b")
c=tf.multiply(a,b,name="mul_c")
d=tf.add(a,b,name="add_d")
e=tf.add(c,d,name="add_e")
init=tf.global_variables_initializer()
sess=tf.Session()
     #with tf.Session() as sess:
     #init variable 
sess.run(init)
output=sess.run(e)            #输出结果为23
print("输出结果:", output)

writer=tf.summary.FileWriter('home/feigu/tmp',sess.graph)
writer.close()
sess.close()

3.3 输入用向量表示

import tensorflow as tf

a=tf.Variable([3,5],name="input_a")
     #b=tf.Variable(3,name="input_b")
c=tf.reduce_prod(a,name="mul_c")
d=tf.reduce_sum(a,name="add_d")
e=tf.reduce_sum([c,d],name="add_e")
init=tf.global_variables_initializer()
sess=tf.Session()
     #with tf.Session() as sess:
     #init variable 
sess.run(init)
output=sess.run(e)             #输出结果为23
print("输出结果:", output)

writer=tf.summary.FileWriter('home/feigu/tmp',sess.graph)
writer.close()
sess.close()

3.4 用placeholder表示输入

import tensorflow as tf

a=tf.placeholder(tf.int8,shape=[None],name="input_a")
     #b=tf.Variable(3,name="input_b")
c=tf.reduce_prod(a,name="mul_c")
d=tf.reduce_sum(a,name="add_d")
e=tf.reduce_sum([c,d],name="add_e")
init=tf.global_variables_initializer()
sess=tf.Session()
     #with tf.Session() as sess:
     #init variable 
     #sess.run(init)
output=sess.run(e,feed_dict={a:[3,5]})   #输出结果为23
print("输出结果:", output)

writer=tf.summary.FileWriter('home/feigu/tmp',sess.graph)
writer.close()
sess.close()

四、可视化实例

import tensorflow as tf

a=tf.constant(5,name="input_a")
b=tf.constant(3,name="input_b")
c=tf.multiply(a,b,name="mul_c")
d=tf.add(a,b,name="add_d")
e=tf.add(c,d,name="add_e")
sess=tf.Session()
    #with tf.Session() as sess:
output=sess.run(e)                #输出结果为23
print("运算结果":output)
writer=tf.summary.FileWriter('home/feigu/tmp',sess.graph)

然后，转到linux客户端，启动sensorboard 
tensorboard --logdir="home/feigu/tmp"
然后在Web浏览器输入提示的地址(http://IP:6006)，即可看到如下图形：