|
本节我们介绍TensorFlow的基本操作，对于入门的话我们需要掌握TensorFlow的四种重要类型和三个重要函数。我们会在下面结合代码一一介绍。
一、基本类型和函数 TensorFlow的四种重要类型分别为：
@Variable 计算图谱的变量 @Tensor 一个多维矩阵，带有很多方法 @Graph 一个计算图谱 @Session 用来运行一个计算图谱
TensorFlow的三个重要函数分别为 Variable（变量）, Constant（常量）, Placeholder（暂时变量）。
注意点 1. Variable是一个class 2. Constant 返回的是：a constant @Tensor 3. Placeholder 返回的是一个尚未存在的@Tensor，需要在Session 执行时获得。
我们会在下面操作中结合代码具体介绍基本类型和函数的用法。
二、基本操作 首先我们用计算图谱来实现一些简单函数。我们在#后进行文字讲解，方便大家操作代码，当然鼓励大家自己手敲代码进行熟悉。
#首先我们引入tensorflow
import tensorflow as tf
#我们定义一个基本函数运算函数，加法运算
def basic_operation():
v1 = tf.Variable(10) #定义Variable变量
v2 = tf.Variable(5)
s = v1 + v2
print(s)
#运行basic_operation()你会发现不是15。。。。what?
#这里我们介绍下session, session是用来计算的实例，我们需要先定义一个session,将它初始化，再进行赋值，方法如下：
sess = tf.Session() #定义一个session
tf.global_variables_initializer().run(session = sess)#进行初始化
print('变量是需要初始化的')
print('v1+v2 = ', s.eval(session = sess)) #打印输出，s.eval() 用来计算括号里的session，也可以用.run()实现，如下句代码所示
# print('v1+v2 = ', sess.run(s))
#这样你就会发现结果果然是15了。
#这种先定义再操作的方式称为符号式编程（symbolic programing）。
现在我们用graph进行操作
graph = tf.Graph() #定义一个graph
with graph.as_default(): #这个graph是我们默认的
value1 = tf.constant([1,2]) #定义一个常量
value2 = tf.Variable([3,4]) #定义一个变量
mul = value1 * value2 #对应相乘
with tf.Session(graph = graph) as mySess:
tf.global_variables_initializer().run() #因为在with在面，不用run（session ＝ mySess），直接run()就行
print(mySess.run(mul))
#这样就得到输出[3, 8]
最后我们介绍Placeholder，Placeholder对省内存非常有效。 要给结点输入数据时用placeholder,在Tensorflow中用placeholder来描述等待输入的结点，只需要指定类型即可，然后在执行结点的时候用一个字典来“喂”这些结点。相当于先把变量hold住，然后每次从外部传入data，注意placeholder和feed_dict是绑定使用的。 简单介绍下feed机制,给feed提供数据，作为run()调用的参数，feed只在调用它的方法内有效，调用结束, feed消失。
import tensorflow as tf
input1 = tf.placeholder(tf.float32) #定义placeholder,默认是int32型
input2 = tf.placeholder(tf.float32)
ouput = input1 * input2
with tf.Session() as sess:
print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))
#这样，你就会看到输出为[14.]
本节基本操作就介绍到这里，具体使用特性在后续及实战中会更好的体会。接下来我们将介绍利用TensorFlow进行机器学习和深度学习，从数据处理到网络建立再到实战应用。
| 
收藏
淘帖
踩
