【从零开始深度学习】——1、初识Tensorflow

什么是Tensorflow

Tensor：张量，或表示多维数组。对于不同维度下的定义不同：对于0矩阵，Tensor就是一个数“0”；而在一维情况下就是一维数组，高维情况下就是高维矩阵。
Flow：起飞的意思，体现TensorFlow的计算模型。

而TensorFlow的一切都是围绕图结构开始的。计算图是Tensorflow中最基本的概念，也是它有别于Numpy等python工具包之处。TensorFlow中的所有计算都会被转化为计算图上的节点，依据节点与节点之间的连接来实现值之间的传递。

一个简单的例子：

import tensorflow as tf
a = tf.constant([1.0,2.0], name = "a" )
b = tf.constant([2.0,3.0], name = "b" )
c = tf.add(a,b, name = "add")

print(a + b)
print(c)

这里两次输出的结果都是一样的，这也是张量计算的一个特点，他们不会直接给出a+b的结果，而是给出tensorflow内部的结构关系，或者说，在c中存储的是计算的过程/步骤：
<tf.Tensor ‘add:0’ shape=(2,) dtype=float32>

显然从上述输出中不难看出，张量中保存了三个属性，分别是张量名字name=“add：0”（【注】：这里add：0表示的是c的结果是该张量上输出的第一个结果）、维度shape“2”和类型dtype=“float32”。

---

如果说，constant及相关的张量定义是为了用来将计算图结构描述出来的话，那么session（会话）便是对已经构造出来计算图的运算输出。

1、直接调用session

【目的】为了防止错误运行时候导致的资源泄露，或者保护同一个计算图中的运算过程，以及避免异常退出时资源释放的问题。
完整调用计算图的过程需要开始函数和关闭函数，代码如下：

#需要大写S
sess = tf.Session()

#调用开始函数sess.run()
sess.run(result)

#输出result的结果
>>>array([3., 5.], dtype=float32)

#调用完成后关闭sess会话
sess.close()

2、使用Python的上下文管理器

利用with as来创建上下文管理器，在with语句内执行会话sess，具体的执行过程如下

with tf.Session() as sess:
    sess.run(c)

使用这种方法不需要调用Session.close()函数关闭会话。

---

3、激活tensorflow，初始化变量

以下代码需要放在主程序的前面，用于激活tf并且初始化变量

sess = tf.InteractiveSession()
init = tf.global_variables_initializer()
sess.run(init)

下面举例参考博主zzZ_CMing的博客内容，利用tf框架实现线性回归

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

#初始化：随机生成输入数据X，得到对应真实值Y
X = np.random.rand(100).astype(np.float32)
Y = X*0.1+0.3

"""
### tensorflow框架——开始
"""
#用随机数列生成的方式，得到结构是1维，范围在[-1,1]的权重
W = tf.Variable(tf.random_uniform([1],-1.0,1.0))
#用随机数列生成的方式，得到全0的偏置值
b = tf.Variable(tf.zeros([1]))
#预测值y
y = W*X+b

#计算预测值与真实值的误差
loss = tf.reduce_mean(tf.square(y - Y))
#梯度下降法：选择GradientDescentOptimizer优化器，学习率为0.5
train = tf.train.GradientDescentOptimizer(0.5).minimize(loss)

#tf框架：初始化变量
init = tf.global_variables_initializer()
"""
### tensorflow框架——结束（以上是对计算图部分的描述，下面才正式开始执行描述的内容）
"""

# 激活init
sess = tf.Session()
sess.run(init)

# 循环201次，从0至200，sess.run(train)即对train进行201次梯度下降过程
for i in range(201):
    sess.run(train)
    #每20次次输出一次结果，一共输出11个结果
    if i%20 == 0:
    	#输出此次的W和b值
        print(i,sess.run(W),sess.run(b))

以上的代码也许有不了解的地方，不过没有关系，这只是对tf框架的大致介绍，接下来的博客会一一展开来记录与解释。