TensorFlow：基础概念

首先祝自己生日快乐！！ 趁着大学最后的一点时间学习一点新的东西，希望自己能坚持下去。

这里记录一点这几天学习中记录下的一些概念以及注意点。

基础概念

• 计算图（graph）

这是TensorFlow中最为重要的概念，整个TensorFlow是一个通过计算图的形式来进行表述计算的变成系统，每一次计算都是这个图上的一个节点，节点之间的连线是计算之间的依赖关系，数据，或者说Tensor就是沿着这些边 “流动” 的。

对于一个TensorFlow程序来说，一般可以划分为两个阶段，第一个阶段定义图中所有的计算，第二个阶段执行计算。

TensorFlow程序中，系统会自动维护一个默认的计算图，当然也可以自己创建新的计算图，不同的图之间的张量和计算都不会共享。

• 张量（tensor）

在TensorFlow系统中，所有的数据都会以张量（tensor）的形式表示，从功能上来说，可以简单的将张量理解为多维数组，但是实际的实现不是数组的形式，而是计算结果的引用，也就是说，不是直接保存数字，而是保存一个张量的结构，有名字，维度和类型：

import tensorflow as tf

a = tf.constant([1], name='a')
b = tf.constant([2], name='b')

add_op = tf.add(a, b, name="add1")
print(add_op)

输出：

Tensor("add1:0", shape=(1,), dtype=int32)Tensor("Add:0", shape=(1,), dtype=int32)

第一个add表示是从 add1 计算节点输出的， 后边的0表示该节点的第一个输出， 第二个属性是形状， 像上例中的（1，）就表示输出的是结果是一个一维数组，第三个属性是类型，每个张量都会有一个唯一的类型，TensorFlow会对所有参与计算的张量类型进行类型检查。

• 会话（session）

使用会话可以执行定义好的计算，也就是之前提到的执行计算部分，会话是用来管理资源的，在计算关闭之后会回收系统资源。一般两种方式：

一：

sess = tf.Session()
....
sess.run()
....
sess.close()

二：这里与Python是一致的，会自动关闭会话并释放资源

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

暂时想到的内容就这么多，如果以后发现有什么概念很重要的话再进行补充，接下来记录一些我这几天学习中觉得有点重要的内容吧！

不同节点的创建格式

这个问题看起来可能比较简单，实际上因为TensorFlow与之前敲的Python代码还是有点不一样的，所以很容易写的时候突然一个小点就想不起来（我是这样的。。），所以还是都放在一起记录一下：

• constant（常量节点）

调用格式如下：

constant （ 
    value ，  # 必填项 形式与Numpy数组创建的初始值一致，比如 1, [1, 2], [[1, 2], [3, 4]]等等
    dtype = None ，  # 指定类型，这个类型一定要注意 ，对我这样的新手真的超级坑的，下面详细讲
    shape = None ，  # 指定形状， 当然 一般省略
    name = 'Const' ，  # 名称 
    verify_shape = False # 默认值式False 如果改成 True 则检查value 和dtype是否一致 否抛出错误
）

这里重点说一下TensorFlow的类型，一定要尽量指定清楚类型， 因为类型的检查真的很严格，比如：

a = tf.constant(1, dtype= tf.float32)
# a = tf.constant(1)
b = tf.constant(1.5)

add_op1 = a + b

很简单的两个常量相加 ，如果写成注释的形式结果会报错 类型不匹配，这里不要想当然，一般我们写别的代码，虽然两种的类型分别是float 和int 仍然会进行自动的转化，向精度更高的float转化，Numpy中也是如此，但是TensorFlow中不是！！，我这几天学习的过程中总是烦这个错误，所以记一下，希望看到的人注意这个地方，TensorFlow中进行运算时候一般都用tf.float32类型，所以就算是 2,3 这样的整数，最好也是直接写成 2.0， 3.0这样的形式，避免出错。

• Variable（变量）

如果计算中的值进行改变，那么就要使用到变量，变量的定义如下，注意变量在使用之前要先进性初始化：

Variable(
    initial_value=None,
    trainable=True,
    collections=None,
    validate_shape=True,
    caching_device=None,
    name=None,
    variable_def=None,
    dtype=None,
    expected_shape=None,
    import_scope=None,
    constraint=None

然鹅我目前只是用到其中一小部分参数来定义变量，（具体的可以看这位大佬的记录：TensorFlow中的变量 ）这里我要说的是，注意变量的初始值，变量都是用来改变的嘛，举个例子来说，线性回归

y

=

k

x

+

b

y = kx+b

y=kx+b 定义线性模型的时候 这里的

k

k

k 和

b

b

b就定义成变量 ，然后在过程中修改参数来完成拟合的过程， 所以设置初始值的时候，除了像定义常量一样直接指定具体值，更多是传入随机数值，使用TensorFlow或者Numpy的随机函数创建，或者直接使用 tf.zeros([2, 3]) 这样指定全X数组，关于随机值之类的函数我的另一篇中记录了。

举个例子，计数器的实现：

state = tf.Variable(0, name='counter')
delta = tf.constant(1, name='delta')

add_op = tf.add(state, delta)
ass_op = tf.assign(state, add_op)

init_op = tf.global_variables_initializer()  # 注意初始化全局的变量函数已经更新了 有些教程中还是在使用之前的

with tf.Session() as sess:
    sess.run(init_op)
    for _ in range(5):
        sess.run(ass_op)
        print(sess.run(state))

• placeholder（占位符）

听这个名字已经表示了它存在的意义，就像是形参一样，先定义好类型，使用的时候再具体传入数值。

调用格式如下：

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

这里的参数列表就简单多了，少了必要的初始值（当然，这也是placeholder存在的意义），对于这个shape ，如果不确定维数（一般都不会确定），可以使用 None 代替，例如 shape = [None, 2] 这样就表示某行2列的常量了，在session中运行的时候，要使用字典的形式传入具体值，例如：

a = tf.placeholder(shape=(None, 2), dtype=tf.float32)  # 未指定行的维数
b = tf.placeholder(shape=(None, 2), dtype=tf.float32)

a_data = np.array([[1.0, 2.0]])     # 使用Numpy生成数据
b_data = np.array([[3.0, 4.0]])

add_op1 = tf.add(a, b)

with tf.Session() as sess:
    print(sess.run(add_op1, feed_dict={a: a_data, b: b_data}))  # 注意如何使用字典形式传入数据

注意辨析Variable和placeholder之间的区别，在实际使用中比较清楚各自的作用，Variable一般用来要进行更新优化的值，比如模型的参数或者偏置之类的，而placeholder则是一般在 会话中传入真实的训练样本。

以上~