当前位置： 移动技术网 > IT编程>脚本编程>Python > tensorflow入门1

tensorflow入门1

2020年07月08日  | 移动技术网IT编程  | 我要评论

1.tensorflow的组成

先来看一个例子，比如我们实现一个简单的加法：
按照python常规的思路，我们可能会先定义一个a，定义一个b，然后add。

import tensorflow as tf
import numpy as np
a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
print(y)

结果：

Tensor(“Add:0”, shape=(), dtype=int32)

我们可以看到，显示的结果并不是3，而是一个Tensor（……），这是啥呢？为啥不是3？看来tensorflow并不是这么简单啊，那让我们先来看看实现一个完整的加法如何操作。

import tensorflow as tf
import numpy as np
a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
with tf.Session() as sess:
    print(sess.run(y))

3

可以看到后面加上了with就可以运行出结果了，那么这个with又是啥？其实，这就是会话，作用就是运算程序的图。
所以一个简单的tensorflow数据计算流程是要包括：
1、tensor（张量）：即数据
2、operation（op）：运算的操作节点，类似加减乘除。
3、graph（图）：整个程序的结构，给程序分配内存的地方。
4、会话：运算出程序的结果，这也是和python不同的地方。
简单的说，就是我们需要把tensor放到op中，然后进行运算，最后通过会话得出结果。

2.图

1、图的获取：

graph=tf.get_default_graph()

<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>

可以看到结果中有一段为地址符，所以也就说明图相当于给争端程序分配内存。
在举个例子：

import tensorflow as tf
import numpy as np
a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
graph=tf.get_default_graph()
with tf.Session() as sess:
    print(sess.run(y))
    print(a.graph)
    print(b.graph)
    print(y.graph)

运行结果：

<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>
<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>
<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>

可以看到a，b，y都是在一张图中，所以地址相同。
总之：
创建一张图要包含一组op和tensor
op：只要是使用tensorflow的API定义的函数都是op(即tf.xxx()中的xxx就是op)。举个例子：tf.add()，tf.constant()，中的add，constant都叫做op。
tensor（张量）：指的是数据。
例如：a=tf.constant(1)，中的a就是一个tensor类型的数据，如果将a打印出来，结果不是数字，而是a的类型（tensor）。计算的时候使用tensor计算而不是op。可以把op认为是载体，tensor就是被载物。
2、图的创建

tf.Graph()

当程序比较复杂的时候，可以创建两个或者多个图，在上面代码的基础上创建一个图：

import tensorflow as tf
import numpy as np
a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
graph=tf.get_default_graph()
with tf.Session() as sess:
    print(sess.run(y))
    print(a.graph)
    print(b.graph)
    print(y.graph)
graph2=tf.Graph()
print(graph2)

运行结果：

3
<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>
<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>
<tensorflow.python.framework.ops.Graph object at 0x0000012A6F9ED978>
<tensorflow.python.framework.ops.Graph object at 0x0000012A6FB79CF8>

可以看出新创建的一个图与其他的地址不同。

3.会话

会话是用来运行图的结果的。主要作用有：
1、运行图的结构
2、分配资源计算
3、掌握资源（tensor变量的资源、队列、线程等）
操作方法:

tf.Session()

但是它默认运行一张图，不可以运行另一张图的内容。比如拿上面的代码举例子，如果运行：

sess.run(graph2)

就会报错。应为运行的为另一张图的内容。如果想要运行多张图，需要修改为：

with tf.Session(graph=图的名称) as sess:

有了会话之后需要运行：

sess.run()

才可以得出最后的运行结果。

4.会话的run()

通过上面的例子科一发现，tensor只有在会话中run之后才会得出结果，接下来了解一下run()
run()的参数：

run(fetchs,feed_dict=None,graph=None)

有两个比较重要的参数：
fetchs：表示的是元组（即你想要输入数组的形状）
feed_dict：允许调用者覆盖图中指定张量的值，提供给placeholder（占位符）使用。
啥意思？有点懵……没关系，一步一步来。
1、fetchs的问题
我们之前在run()中运行的是一个数，比如y，那我们同时运行多个数字呢？这时候就需要用到fetchs，看例子：

a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
with tf.Session() as sess:
    print(sess.run([a,b,y]))#同时运行a，b，y

[1, 2, 3]

结果就是一个一维数组，把a，b，y的值都运行了出来。
而此时的fetchs形状就是一维数组，这就是fetchs的作用。
此外，run()具有重载的机制，默认为tensor类型，比如：

a=tf.constant(1)
b=3
c=b+a
with tf.Session() as sess:
    print(sess.run(c))

一个python中的整型数b和tensor类型a相加得到的是tensor。
2、feed_dict的问题
了解它之前，我们先来了解一下placeholder（占位符），它的作用就是让你指定接下来输入的数据是什么样子的……还是来看例子。

def placeholder(dtype,shape=None,name=None)

重要的参数有dtype、shape，分别指的是数据的类型和数据的形状

a=tf.placeholder(tf.float32,[2,2])#意思就是feed_dict中输入的数据是tf.float32类型，形状为2行2列。
with tf.Session() as sess:
    print(sess.run(a,feed_dict={a:[[1,2],[3,4]]}))#feed_dict是一个字典，输入数据，类型与a一致

[[1. 2.]
[3. 4.]]

所以，简单的说，feed_dict的作用就是在你输入数据不确定的情况下，提前占个坑。用placeholder提供占位。

5.张量

由本文开始的例子可以看到，打印出的结果为：

import tensorflow as tf
import numpy as np
a=tf.constant(1)
b=tf.constant(2)
y=tf.add(a,b)
print(y)

Tensor(“Add:0”, shape=(), dtype=int32)

包括三部分：即op，数据形状、数据类型。
至于形状和类型有哪些，这个和python大同小异……不一一列举了，直接百度吧……
举个简单的例子：

import tensorflow as tf
import numpy as np
a=tf.placeholder(tf.float32,[2,2])
b=tf.placeholder(tf.float32,1)
c=tf.constant(3)
print(a.shape)
print(b.shape)
print(c.shape)

(2, 2)
(1,)
()

可以看出来，a是二维数据2行2列，b是一维数组，c是0维。
张量中最最最最最最重要的是数据形状的改变，一般有静态形状和动态形状两种。
静态形状指的是在张量形状不确定的情况下，可对数据形状改变，但是张量的形状一旦确定，则不能改变。

tensor.set_shape()

什么叫不确定的数据形状呢？比如：

a=tf.placeholder(tf.float32,[None,2])#不确定是几行2列，因为有None

这时候我们就可以对其进行静态修改，但是注意因为只有行是不确定的，所以只能改变行，不能改变列。比如，我们改成3行2列。

a.set_shape([3,2])

这样就可以改成3行2列，这样数据的形状就确定了，不能再修改了。
那么如果我想进行修改怎么办呢？我想改成1行6列(只能修改成1行6列或者2行3列或者6行一列，因为得保证数量同)，咋办？这就需要用到动态形状。
动态形状指的是创建一个新的张量，注意，是创建，不是修改，这一点和python中的reshape不同。

tf.reshape()

比如，我们想修改 创建成1行6列的：

a_reshape=tf.reshape(a,[1,6])

那么改成1行5列行不？不行！！！。
注意：创建后的张量一定要保持元素数量的匹配，也就是说原先是3行2列的，有6个元素。那么修改后的也必须是6个元素，可以是1行6列，6行1列，2行3列。

本文地址：https://blog.csdn.net/weixin_44010678/article/details/107162102

您可能感兴趣的文章:

如对本文有疑问， 点击进行留言回复！！

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网