版权声明：用心写好你的每一篇文章，我的个人博客已上线：http://thinkgamer.cn https://blog.csdn.net/Gamer_gyt/article/details/79968940
打开微信扫一扫，关注微信公众号【数据与算法联盟】
转载请注明出处： http://blog.csdn.net/gamer_gyt
博主微博： http://weibo.com/234654758
Github： https://github.com/thinkgamer
安装、入门
环境说明：
- deepin 15.4
- python 3.5.4
- tensorflow 1.7.0
安装：
pip3 install https://pypi.python.org/packages/dd/ed/9e6c6c16ff50be054277438669542555a166ed9f95a0dcaacff24fd3153a/tensorflow-1.7.0rc1-cp35-cp35m-manylinux1_x86_64.whl#md5=ec44ad9b0d040caef8ca0fac5b822b0d测试：
>>> import tensorflow as tf
>>> hello = tf.constant("hello , Thinkgamer")
>>> with tf.Session() as sess:
... print(sess.run(hello))
... sess.close()
...
2018-03-28 00:50:16.728894: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
b'hello , Thinkgamer'
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.
session和InteractiveSession的区别：
session：启动图的操作，有run()、close()
InteractiveSession：默认会话
>>> sess = tf.InteractiveSession()
>>> a = tf.constant(5.0)
>>> b = tf.constant(6.0)
>>> c = a * b
>>> print(c.eval())
30.0
>>> sess.close()
>>>
>>> sess = tf.Session()
>>> a = tf.constant(5.0)
>>> b = tf.constant(6.0)
>>> c = a * b
>>> sess.run(c)
30.0
>>> sess.close()Tensorflow之变量
tensor的理解
tensor即张量，tf中所有的数据通过数据流进行传输，可以声明任何一个张量，只有当一个张量进行run的时候，这个张量所涉及的tensor便会触发，这一点和spark的DAG很是相似，在同一条链上的某个节点进行触发操作时，该节点之前的所有节点便会参与计算。
在tensorflow中，张量的维数被描述为“阶”，张量是以list的形式存储的。list有几重中括号，对应的张量就是几阶。如t=[ [1,2,3],[4,5,6],[7,8,9] ]，t就是一个二阶张量。
我们可以认为，一阶张量，如[1,2,3]，相当于一个向量，二阶张量，如[ [1,2,3],[4,5,6],[7,8,9] ]，相当于一个矩阵。
对于t=[ [1,2,3],[4,5,6],[7,8,9] ]来说，它的shape==>[3,3]，shape可以理解成：当脱去最外层的一对中括号后，里面有3个小list，然后每个小list里又有3个元素，所以该张量的shape==>[3,3]。
举几个例子，如[ [1,2,3],[4,5,6] ] 的shape=[2,3](因为当脱去最外层的一对中括号后，里面有2个小list，然后每个小list里又有3个元素，所以该张量的shape==>[2,3]。）
又如：
[
[
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ]
] ,
[
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ]
] ,
[
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ]
] ,
[
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ] ,
[ [ 2 ], [ 2 ] ]
]
]的shape==>[4,3,2,1] (因为当脱去最外层的一对中括号后，里面有4个第二大的list，每个第二大的list里又有3个第三大的list，每个第三大的list里有2个第四大的list，每个第四大的list里有1个元素，所以该张量的shape==>[4,3,2,1]。
#coding: utf-8
'''
create by: thinkgamer
create time: 2018/04/16
description: 关于tensorflow变量的学习
'''
import tensorflow as tf
a = tf.Variable([ [1,2,3],[4,5,6],[7,8,9] ])
b = tf.Variable([ [1,2,3],[4,5,6] ])
c = tf.Variable([[ [ [ 2 ], [ 2 ] ] ,[ [ 2 ], [ 2 ] ] , [ [ 2 ], [ 2 ] ] ] ,
[ [ [ 2 ], [ 2 ] ] ,[ [ 2 ], [ 2 ] ] , [ [ 2 ], [ 2 ] ] ] ,
[ [ [ 2 ], [ 2 ] ] ,[ [ 2 ], [ 2 ] ] , [ [ 2 ], [ 2 ] ] ] ,
[ [ [ 2 ], [ 2 ] ] ,[ [ 2 ], [ 2 ] ] , [ [ 2 ], [ 2 ] ] ] ])
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init_op)
print("a shape: ",a.eval)
print("b shape: ",b.eval)
print("c shape: ",c.eval)打印出的结果如下：
a shape: <bound method Variable.eval of <tf.Variable 'Variable_19:0' shape=(3, 3) dtype=int32_ref>>
b shape: <bound method Variable.eval of <tf.Variable 'Variable_20:0' shape=(2, 3) dtype=int32_ref>>
c shape: <bound method Variable.eval of <tf.Variable 'Variable_21:0' shape=(4, 3, 2, 1) dtype=int32_ref>>tf实现乘法
# tf 实现矩阵乘法
val1 = tf.Variable([[1,2]])
val2 = tf.Variable([[1],[2]])
result1 = tf.matmul(val1,val2)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print(sess.run(result1))
sess.close()tf的常用操作
# tf的常用操作，建议变量以float32为主,CPU,GPU均支持，否则容易出现一些错误,float32需要从tf中引入
from tensorflow import float32
# 创建一个shape=（3,4）的tensor
t1 = tf.zeros([3,4],float32)
# 创建一个shape类似于tensor的tensor，值分为全为0或1
tensor = tf.Variable([ [1,2,3],[4,5,6],[7,8,9] ])
t2 = tf.zeros_like(tensor)
t3 = tf.ones_like(tensor)
# 创建tensorflow支持的常量
t4 = tf.constant([1,2,3,4])
# 创建常量，指定值全为-1
t5 = tf.constant(-1.0,shape=[2,3])
# 创建数组
t6 = tf.linspace(1.0,6.0,3,name="linspace")
# start=1, limit=9, delta=3
t7 = tf.range(1,9,3)
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
print("t1: ",sess.run(t1))
print("\ntermsor: ",sess.run(tensor))
print("\nt2: ",sess.run(t2))
print("\nt3: ",sess.run(t3))
print("\nt4: ",sess.run(t4))
print("\nt5: ",sess.run(t5))
print("\nt6: ",sess.run(t6))
print("\nt7: ",sess.run(t7))
sess.close()
#-----------------------------------------
# tf创建符合指定正态分布的tensor
t8 = tf.random_normal([2,3],mean=-1 ,stddev=4)
# tf shuffle
t9 = tf.constant([[1,2],[3,4],[5,6]])
t10 = tf.random_shuffle(t9)
sess = tf.Session()
print("\nt8:",sess.run(t8))
print("\nt9:",sess.run(t9))
print("\nt10",sess.run(t10))打印出的值为：
t1: [[0. 0. 0. 0.]
[0. 0. 0. 0.]
[0. 0. 0. 0.]]
termsor: [[1 2 3]
[4 5 6]
[7 8 9]]
t2: [[0 0 0]
[0 0 0]
[0 0 0]]
t3: [[1 1 1]
[1 1 1]
[1 1 1]]
t4: [1 2 3 4]
t5: [[-1. -1. -1.]
[-1. -1. -1.]]
t6: [1. 3.5 6. ]
t7: [1 4 7]
t8: [[ 0.8365586 5.152416 -3.9977255]
[ -1.7592524 -12.675492 -5.949805 ]]
t9: [[1 2]
[3 4]
[5 6]]
t10: [[3 4]
[5 6]
[1 2]]
In [ ]:
tf实现i++
# tf 实现i++
state= tf.Variable(1)
new_value = tf.add(state,tf.Variable(1))
update = tf.assign(state,new_value)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
print(sess.run(state))
for _ in range(3):
sess.run(update)
print(sess.run(state))打印结果为：
1
2
3
4numpy转tensor
# numpy 转化为 tensor
import numpy as np
np1 = np.zeros((3,3))
ta = tf.convert_to_tensor(np1)
with tf.Session() as tf:
print(sess.run(ta))测试遇到的问题
1：tensorFlow与python版本不适应
现象：NameError: name ‘XXX’ is not defined
原因是：当前tensorflow版本与python版本不适应。
解决办法：重新安装tf
pip3 install --upgrade tensorflow
------------
Collecting tensorflow
Downloading tensorflow-1.6.0-cp35-cp35m-manylinux1_x86_64.whl (45.8MB)2：变量未初始化
FailedPreconditionError (see above for traceback): Attempting to use uninitialized value Variable_58解决办法：将变量进行初始化
init = tf.global_variables_initializer()
tf.Session().run(init)
打开微信扫一扫，加入数据与算法交流大群