DeepLearning | Tensorflow編程基礎：Session、Constant、Variable、Tensor、Placeholder、OP

Tensorflow的運行方式

Tensorflow作爲谷歌開源的深度學習框架，受到衆多的人工智能開發人員歡迎。Tensorflow的數據控制單元，張量Tensor是一個可以定義爲任意維度的數據，張量的階Tensor’s rank就是張量的維度，例如：

零階張量： 1   一個標量
一階張量： [1，2，3]    一個向量 shape 3
二階張量： [[1,2,3],[4,5,6]]   一個矩陣 shape 2x3
三階張量： [[[1,2,3]],[[4,5,6]]]   shape：2x1x3

Tensorflow的編程主要分爲兩步，第一步構造計算圖（computational Graph），第二步運行計算圖。那麼計算圖是什麼呢？
計算圖是一系列由計算操作抽象出來的節點構成的結構，張量（Tensor）在這些節點之間流動運行，由此稱該框架爲Tensorflow。接下來我們就來介紹一下Tensorflow的基本概念

Constant常量

要使用Tensorflow我們首先需要導入該框架

import tensorflow as tf 

Tensorflow中一個基礎的節點類型就是constant，常量節點

node_A = tf.constant(10,tf.float32)
node_B = tf.constant(11,tf.int32)

所有的常量類型在定義時，就已經賦予了數值，而且其數值在後面的運行中是無法改變的。

Session會話

如果我們直接輸出上面定義的兩個節點時，例如

print(node_A,node_B)

我們會得到下面的結果

Tensor("Const:0", shape=(), dtype=float32) 
Tensor("Const_1:0", shape=(), dtype=float32)

這裏輸出的並不是我們想要的10和11，想要輸出運行一個節點的結果，必須在一個會話Session中運行計算圖，Tensor flow中的session很好的封裝了其運行時的狀態和控制，接下來我們定義一個會話，輸出兩個節點的值

sess = tf.Session()
a,b = sess.run([node_A,node_B])
print(a,b)

輸出如下：

10.0 11.0

Op計算節點

上面我們定義了兩個常量節點和會話，並輸出了節點的值，我們可以通過定義一些計算操作（Operation、Op）節點,構建更加複雜的計算
加法：

node_C = tf.add(node_A,node_B)
print(sess.run(node_C)) 

輸出爲

21.0

乘法：

node_D = tf.multiply(node_A,node_B)
print(sess.run(node_D)) 

輸出爲

110.0

Placehoder佔位符

上面我們已經熟悉了常量類型以及一些運輸符號的操作，Tensorflow的計算圖還可以使用佔位符placeholder參數化的從外部輸入數據，簡單來說placehold的作用就是給之後輸入的值提前佔位，設置這個結構的存在。

# 這裏是構造計算圖的部分
a=tf.placeholder(tf.float32)  
b=tf.placeholder(tf.float32)  
adder_node=a+b  
#運行計算圖  
print("adder_node:",adder_node)  
print(sess.run(adder_node,{a:3,b:4.5}))  
print(sess.run(adder_node,{a:[1,3],b:[2,4]}))  

輸出結果爲：

adder_node: Tensor("add:0", dtype=float32)
7.5
[ 3.  7.]

在我們構建一個神經網絡時，通常會爲網絡的輸入輸出構建一個placeholder佔位符

Variable變量

在網絡模型中，我們不光有常量類型，計算操作、輸入輸出佔位符等更多的是大量的變量類型，模型具有可訓練能力，需要在一次次訓練中修正計算圖，使對於同樣的輸入得到新的輸出。變量variable允許我們爲計算圖添加可變的訓練參數
例如，我們構造一個線性模型

定義圖結構
W=tf.Variable([.3],tf.float32)  
b=tf.Variable([-.3],tf.float32)  
x=tf.placeholder(tf.float32)  
linear_model=W*x+b  

運行計算圖
init = tf.global_variables_initializer()  
sess.run(init)  
print(sess.run(linear_model,{x:[1,2,3,4]}))  

這裏的初始化是必要的，與常量類型的定義不同，所有的變量類型在定義時都不會賦予初始值，只有在執行初始化操作時，值纔會被賦予變量
上述代碼的輸出爲：

[ 0.          0.30000001  0.60000002  0.90000004]

到這裏我們就講完了tensorflow的一些基本概念，想要熟練掌握，還需要使用這些基礎工具慢慢搭建出自己的網絡，我的另一篇博客中描述瞭如何將一個大規模的數據集導入tensorflow
DeepLearning | Batch Generator：Tensorflow的大規模數據集導入