好久不用了，回顾了一下，就当记个笔记吧

首先是看了这为朋友的博客https://blog.csdn.net/Jerr__y/article/details/78114452

然后呢，这是TensorFlow的官方文档 http://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/basic_usage.html

1. 关于tensor数据类型的一些操作

tensor (也就是通常说的张量)是tf中所特有的一种数据类型，我们知道图像处理其实很大程度上可以看做矩阵之间的运算，这个tensor类型我们也可以将其看做是tensorflow是中参与计算的n维矩阵。

我们对于tensor的刻画往往基于它的三个属性，维数(也就是阶)、形状和数据类型。

关于阶的定义我们很好理解，和我们常见的数组（一阶）和矩阵（二阶）其实是一样的，

1    #维度为0的标量
[1,2,3]   #维度为1,一维向量
[[1,2],[3,4]]   #维度为2, 二维矩阵
[[[1,2],[3,4]],[[1,2],[3,4]]]   #维度为3,3维空间矩阵

关于形状（也就是常见的shape）的描述稍微有些模糊，和阶有些相似。我们看一下：

关于他们两个人的区别也只能是意会了，哈哈。

1    # 形状为[]
[1,2,3]   # 形状为[3]
[[1,2],[3,4]]   # 形状为[2,2]
[[[1,2],[3,4]],[[1,2],[3,4]]]   # 形状为[2,2,2]

第三个描述tensor的属性是它的数据类型，我们常见的绝大多数类型都能在这里找到，只不过要在前面加上tf.

数据类型 Python 类型描述
DT_FLOAT   tf.float32   32 位浮点数.
DT_DOUBLE   tf.float64   64 位浮点数.
DT_INT64   tf.int64   64 位有符号整型.
DT_INT32   tf.int32   32 位有符号整型.
DT_INT16   tf.int16   16 位有符号整型.
DT_INT8   tf.int8   8 位有符号整型.
DT_UINT8   tf.uint8   8 位无符号整型.
DT_STRING   tf.string   可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL   tf.bool   布尔型.
DT_COMPLEX64   tf.complex64   由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32   tf.qint32   用于量化Ops的32位有符号整型.
DT_QINT8   tf.qint8   用于量化Ops的8位有符号整型.
DT_QUINT8   tf.quint8   用于量化Ops的8位无符号整型.
---------------------

OK，经过上面的介绍，我们现在已经可以自由的定义参与计算的数据了。所谓的tensorflow，不仅有tensor 还要让他flow起来，那么它要如何flow呢？，我们来看

这张图所要表达的就是将我们之前定义的各个tensor类型的数组送到相应的操作当中来完成计算，这样就构成了tensorflow的一张完整的计算图，表达的貌似不太明确，我们来看一下实例

a = tf.constant(1, dtype=tf.int8)
b = tf.constant(2, dtype=tf.int8)
res= a + b

这就是一个简单的计算图的构建过程，他包括了tensor的构建与图的形成（所谓图的形成就是定义一种方法，能够你的tensor按照你定义的方法来进行运算）。

定义好了之后便是对计算图的执行了，TensorFlow中图的构建与执行是分开来的，也就是说你如果仅仅写了上面的三行代码

就开始运行，你是得不到输出的，就是因为你只是定义了计算图，并没有执行。那么我们图的执行要怎么做呢？

首先，我们需要创建一个会话（也就是session），

然后选择你要执行的计算图

最后你还要关闭你刚刚所创建的会话。

我们来看一段代码

import tensorflow as tf

#  上面的计算图的定义
a = tf.constant(1, dtype=tf.int8)
b = tf.constant(2, dtype=tf.int8)
res= a + b

#  开始执行你所定义的计算图
sess = tf.Session()
sess.run(res)
sess.close()   #手动关闭session

当然了，在python当中涉及到类似文件读取这种先打开在关闭的操作，你可以使用with。。as。。的方法来做个简化，

这样一来便不需要你来手动进行关闭了。

import tensorflow as tf
a = tf.constant(1, dtype=tf.int8)
b = tf.constant(2, dtype=tf.int8)
res= a + b
with tf.Session() as sess:  #运算结束后session自动关闭
    sess.run(res)

2. 关于常量，变量和占位符的一些操作

在上面的例子中仅仅是定义了一些常量，在TensorFlow中，我们同样可以将tensor定义为一个变量。方法有如下两种：

01 tf.Variable()

# variable的简单的构造函数
# 可以看出是用于生成一个初始值为initial-value的变量。必须指定初始化值

tf.Variable(<initial-value>, name=<optional-name>)

02 tf.get_variable()


#  获取已存在的变量（要求不仅名字，而且初始化方法等各个参数都一样），如果不存在，就新建一个。 
#  可以用各种初始化方法，不用明确指定值。

tf.get_variable()
W = tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None,
       regularizer=None, trainable=True, collections=None)

二者的都可以用来创建变量，但是不同之处在于前者（tf.Variable(））仅仅是用来创建一个变量；

后者可以是创建或者获取一个变量，（首先是获取，如果不存在则会创建：这句话有些争议，理性对待）多了获取两个字就意味着我们可以通过其实现参数的共享。tf.get_variable() 会检查当前命名空间下是否存在同样name的变量，可以方便共享变量。而tf.Variable 每次都会新建一个变量。需要注意的是tf.get_variable() 要配合reuse和tf.variable_scope() 使用。（如何共享后面会提到)

二者最直观的区别可能是在使用tf.Variable时，如果检测到命名冲突，系统会自己处理。


import tensorflow as tf
w_1 = tf.Variable(3,name="w_1")
w_2 = tf.Variable(1,name="w_1")
print（w_1.name）
print w_2.name）

#输出 (注意输出的两个值的name均为w_1)
#w_1:0
#w_1_1:0

如果使用get_varialbe 来定义，则会出现错误

import tensorflow as tf
 
w_1 = tf.get_variable(name="w_1",initializer=1)
w_2 = tf.get_variable(name="w_1",initializer=2)

#错误信息
#ValueError: Variable w_1 already exists, disallowed. Did
#you mean to set reuse=True in VarScope?

--------------------------------------------------------------------------------------------------------------------------------------------------------------

除此之外，tensorflow还支持占位符（placeholder），就是在这个位置有一个变量的位置，但是没有具体的变量存在（类似于这里是个停车位，但是却没有车）。只有在具体操作的时候，这个位置才会传入实际值，是通过使用feed_dict{}的方法传入的。实例如下：

x1 = tf.Variable(2.0,name="x1")
x2 = tf.placeholder(tf.float32,name="x2")
# 注意x2定义时的方法，是定义了一个placeholder，而不是variable
#不要定义成这样 → x2 = tf.Variable(tf.placeholder,name="x2")
result = x1 + x2

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print(sess.run(result,feed_dict={x2: 3.0}))

注意placeholder在定义的时候，最好将下面的这三个变量都传进来
dtype：数据类型。常用的是tf.float32,tf.float64等数值类型 
shape：数据形状。默认是None，就是一维值，也可以是多维，比如[2,3], [None, 3] 
name：名称。

3. 关于命名空间的一些操作

如果已经存在的变量没有设置为共享变量，TensorFlow 运行到第二个拥有相同名字的变量的时候，就会报错。

为了解决这个问题，TensorFlow 提出了 tf.variable_scope 函数；它的主要作用是，在一个命名空间（scope ）内实现一些变量间的共享。

首先我们来看一下关于命名空间的简单应用：

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1]) 

# 输出 → v.name == "foo/v:0"
简单来说就是给变量名前再加了个变量空间名。

接下来看看怎么用tf.get_variable()实现共享变量：

根据在tensorflow命名空间内是否开启自动变量复用，（reuse=tf.AUTO_REUSE）分为两种情况:

如果不开启变量复用：

with tf.variable_scope("scope0"):
    var1 = tf.get_variable("var", initializer=tf.constant(0.0))
    var2 = tf.get_variable("var", initializer=tf.constant(1.0))

# 输出的时候就会出现错误

所以，我们需要开启变量复用，也就是reuse，样例如下：

with tf.variable_scope("scope1", reuse=tf.AUTO_REUSE):
    var1 = tf.get_variable("var", initializer=tf.constant(0.0))
    var2 = tf.get_variable("var", initializer=tf.constant(1.0))
    print(var1.name)
    print(var2.name)
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(var1.eval())
        print(var2.eval())

scope1/var:0
scope1/var:0
0.0
0.0  # 还是0.0，还是第一次声明的值

综上，我们可知在开启复用后，tf.get_variable() 生成的变量会被复用，但值是第一次赋值的那个值。

tensorflow的小回顾

1. 关于tensor数据类型的一些操作

2. 关于常量，变量和占位符的一些操作

3. 关于命名空间的一些操作

猜你喜欢