TensorFlow 1

发表于 | 更新于 | 分类于

Hello World

当tensorflow的环境搭建好后我们就可以尝试run下了，先写个hello world看看吧。

1
2
3
4
5
6
7
8
9
10
from __future__ import print_function

import tensorflow as tf
try:
    tf.contrib.eager.enable_eager_execution()
except ValueError:
    pass
tensor = tf.constant('Hello, world!')
tensor_value = tensor.numpy()
print(tensor_value)
b'Hello, world!'

TensorFlow 编程概念

TensorFlow的名称源自张量，张量是任意维度的数组。借助TensorFlow，可以操作具有很大维度的张量。

标量是零维数组（零阶张量）。例如：'hi' 或 3
矢量是一维数组（一阶张量）。例如：[2, 3, 5, 7, 11] 或 [3]
矩阵是二维数组（二阶张量）。例如：[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow指令会创建，销毁和控制张量。典型TensorFlow程序中的大多数代码都是指令。
TensorFlow图（也叫 计算图 或 数据流图）是一种图数据结构。很多TensorFlow程序由单个图构成，但是TensorFlow程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

张量可以作为常量或变量储存在图中。常量储存的是值是不会发生更改的张量，而变量储存的值是会发生更改的张量。常量和变量都只是图中的一种指令。常量是始终会返回同一张量值得指令。变量是会返回分配给得任何张量的指令。

要定义常量，使用tf.constant指令，并传入它的值。例如：

x = tf.constant([1.2])

同样，可以创建变量：

y = tf.Variable([3])

改变值： y = y.assign([1])

创建好变量或常量后，可以对它们使用其他指令（如tf.add）。

图必须在TensorFlow会话中运行，会话储存了它所运行的图的状态：

将 tf.Session()作为会话：
    initialization = tf.global_variables_initializer()
    print(y.eval())

在使用tf.Variable时可以调用tf.global_variables_initializer，以明确初始化这些变量。

注意：会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。

总结

TensorFlow编程有两个流程：

1.将常量，变量和指令整合到一个图中。
2.在一个会话中评估这些常量，变量和指令。

创建一个简单的 TensorFlow 程序

我们来看看如何编写一个将两个常量相加的简单 TensorFlow 程序。

添加 import 语句

想要运行tensorflow程序，必须添加这句：

1
import tensorflow as tf

其他常见的import语句包括：

import matplotlib.pyplot as plt # 数据可视化
import numpy as np              # 较低级的数学python库
import pandas as pd             # 较高级的数学python库

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
from __future__ import print_function
import tensorflow as tf

# 创建一个图
g = tf.Graph()

with g.as_default():
    # 创建三个量，
    x = tf.constant(8, name="x_const")
    y = tf.constant(5, name="y_const")
    sum = tf.add(x, y, name="x_y_sum")
    python
    # 创建一个会话，将会执行默认图
    with tf.Session() as sess:
        print(sum.eval())
TF already imported with eager execution!
13
0%