Tensorflow学习笔记1：Get Started

关于Tensorflow的基本介绍

Tensorflow是一个基于图的计算系统，其主要应用于机器学习。

从Tensorflow名字的字面意思能够拆分红两部分来理解：Tensor+flow。

• Tensor：中文名能够称为“张量”，其本质就是任意维度的数组。一个向量就是一个1维的Tensor，一个矩阵就是2维的Tensor。
• Flow：指的就是图计算中的数据流。

当咱们想要使用Tensorflow作什么事情的时候，通常须要三个操做步骤：

1. 建立Tensor；
2. 添加Operations（Operations输入Tensor，而后输出另外一个Tensor）；
3. 执行计算（也就是运行一个可计算的图）。

Tensorflow有个图的概念，Operations会添加到图中，做为图的节点。在添加某Operation的时候，不会当即执行该Operation。Tensorflow会等待全部Operation添加完毕，而后Tensorflow会优化该计算图，以便决定如何执行计算。

 

快速使用

若是想开始实验一下Tensorflow，能够经过Docker启动官方的镜像tensorflow/tensorflow。

以下所示，

lienhuadeMacBook-Pro:tensorflow lienhua34$ docker run -d -p 8888:8888 --name tensorflow tensorflow/tensorflow
0fc7849b3ef5ac56e8ad372cc201874338c586ed5f47a4205997712efcd35646
lienhuadeMacBook-Pro:tensorflow lienhua34$ docker ps -a
CONTAINER ID        IMAGE                                    COMMAND                  CREATED             STATUS                   PORTS                              NAMES
0fc7849b3ef5        tensorflow/tensorflow                    "/run_jupyter.sh"        49 minutes ago      Up 2 seconds             6006/tcp, 0.0.0.0:8888->8888/tcp   tensorflow

该镜像启动一个jupyter，而后咱们在浏览器中输入http://localhost:8888/来访问，以下图所示，

而后点击右上角的New -> Python 2，新建的一个Python交互页面，即可以开始实验Tensorflow的功能，

 

简单实例：向量相加

下面咱们经过两个向量相加的简单例子来看一下Tensorflow的基本用法。

[1. 1. 1. 1.] + [2. 2. 2. 2.] = [3. 3. 3. 3.]

import tensorflow as tf
with tf.Session():
  input1 = tf.constant([1.0 1.0 1.0 1.0])
  input2 = tf.constant([2.0 2.0 2.0 2.0])
  output = tf.add(input1, input2)
  result = output.eval()
  print result

Tensorflow的计算必需要在一个Session的上下文中。Session会包含一个计算图，而这个图你添加的Tensors和Operations。固然，你在添加Tensor和Operation的时候，它们都不会当即进行计算，而是等到最后须要计算Session的结果的时候。当Tensorflow以后了计算图中的全部Tensor和Operation以后，其会知道如何去优化和执行图的计算。

两个tf.constant() 语句向计算图中建立了两个Tensor。调用tf.constant()的动做大体能够说为，建立两个指定维度的Tensor，以及两个constant操做符用于初始化相对应的Tensor（不会当即执行）。

tf.add()语句向计算图中添加了一个add操做，当不会当即执行，这时候add操做的结果还没法获取。此时，计算图大体以下所示， 

result = output.eval() print result

当咱们最后调用output.eval()时，会触发Tensorflow执行计算图，从而获取output计算结点的结果。

 

Variable的使用

咱们上面的例子使用的Tensor是常量（constant），而在咱们实际的机器学习任务中，咱们每每须要变量（variable）来记录一下可变的状态（例如神经网络节点的权重参数等）。下面咱们来看一个简单的variable例子。

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
  # Set up two variables, total and weights, that we'll change repeatedly.
  total = tf.Variable(tf.zeros([1, 2]))
  weights = tf.Variable(tf.random_uniform([1,2]))

  # Initialize the variables we defined above.
  tf.initialize_all_variables().run()

  # This only adds the operators to the graph right now. The assignment
  # and addition operations are not performed yet.
  update_weights = tf.assign(weights, tf.random_uniform([1, 2], -1.0, 1.0))
  update_total = tf.assign(total, tf.add(total, weights))

  for _ in range(5):
    # Actually run the operation graph, so randomly generate weights and then
    # add them into the total. Order does matter here. We need to update
    # the weights before updating the total.
    sess.run(update_weights)
    sess.run(update_total)

    print weights.eval(), total.eval()

归纳了说，上面的代码就是建立了两个变量total和weights（都是1维的tensor），total全部元素初始化为0，而weights的元素则用-1到1之间的随机数进行初始化。而后在某个迭代中，使用-1到1之间的随机数来更新变量weights的元素，而后添加到变量total中。

在调用tf.Variable()的时候，只是定了变量以及变量的初始化操做（实际上并未执行）。全部变量都须要在开始执行图计算以前进行初始化。调用tf.initialize_all_variables().run()来对全部变量进行初始化。

在for循环中，

sess.run(update_weights)

触发执行更新weights变量的计算。

sess.run(update_total)

则处理了将变量total和变量weights进行相加，并将结果赋值到变量total。