大部分內容整理自《Tensorflow實戰Google深度學習框架》
Tensorflow的配置見前面的博文https://blog.csdn.net/jiugeshao/article/details/76370137
這裏Tensorflow的版本爲tensorflow-gpu1.2.0
計算圖
Tensorflow是一個通過計算圖的形式來表述計算的編程系統，Tensorflow中每一個計算都是計算圖上的一個節點，而節點之間的連線描述了計算之間的依賴關係，節點表示數學操作，代表一個計算，計算的結果就保存在張量之中，邊線則表示節點相互聯繫的多位數據數組，即張量，Flow表達了張量之間通過計算相互轉化的過程。Tensorflow會將常量轉化成一種永遠輸出固定值的運算。張量的類型不匹配會報錯
Tensorflow程序一般分爲兩個階段：
- 定義計算圖中所有的計算
- 執行計算
如下是定義計算圖
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
a = tf.constant([11.0, 42.0], name="a")
d = tf.constant([11.0, 42.0], name = "d")
result1 = a - d
v = tf.get_variable("v",initializer=tf.zeros_initializer()(shape=[1]))
print("a,v: ",a,v)
print("a.dtype: ",a.dtype)
print("tf.graphkeys.variable: ", tf.GraphKeys.VARIABLES)
執行結果爲：
a,v: Tensor("a:0", shape=(2,), dtype=float32) <tf.Variable 'v:0' shape=(1,) dtype=float32_ref>
a.dtype: <dtype: 'float32'>
tf.graphkeys.variable: variables
Tensorflow使用會話模式有兩種，第一種：
使用會話是可以像with tf.Session(graph=g1) as sess:指定具體會話
import tensorflow as tf
import numpy as np
import tensorboard
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
print("a: ",a)
result = a + b
print("result: " ,result)
with tf.Session() as sess:
print("sess.run(result): ",sess.run(result))
print(tf.get_default_graph())
計算結果爲：
a: Tensor("a:0", shape=(2,), dtype=float32)
result: Tensor("add:0", shape=(2,), dtype=float32)
sess.run(result): [3. 5.]
<tensorflow.python.framework.ops.Graph object at 0x000001D9946E4898>
第二種：
import tensorflow as tf
n1 = tf.constant(["1234", "6789"])
n2 = tf.string_to_number(n1, out_type=tf.float32)
sess = tf.Session()
result = sess.run(n2)
print(result)
結果爲：[1234. 6789.]
詳細的一些配置，擴展可以用時再查找。需要了解tf.add_to_collection使用, 共享變量的使用方法，配合Variable_scope一起使用的get_Variable方式，feed機制，生成張量的操作，變量初始化和tf.assign(有副作用），用tensorflow也能實現機器學習，如線性迴歸問題，
2. 可以手動實驗Tensorflow遊樂場及神經網絡簡介
3. tensorboard可視化
這裏比較下keras和tensorflow加載mnist數據集的方式：
（1）#使用keras自帶的mnist工具
from keras.datasets import mnist
import numpy
from keras import backend as K
X_train, y_train), (X_test, y_test) = mnist.load_data()
該會去去找一鏈接來下載數據庫，但由於一般電腦都沒有設置翻牆功能，可以提前下載mnist.npz，然後放到
C:\Users\76764\.keras\datasets目錄下，這邊的76764是用戶名，可以視自己的電腦而定，該文件我已經上傳至網盤
(2) 直接讀本地的mnist文件，如下格式文件：
import numpy as np
from keras.datasets import mnist
def load_mnist(path, kind='train'):
"""Load MNIST data from `path`"""
labels_path = os.path.join(path,
'%s-labels.idx1-ubyte'
% kind)
images_path = os.path.join(path,
'%s-images.idx3-ubyte'
% kind)
print("labels_path: ",labels_path)
print("images_path: ", images_path)
with open(labels_path, 'rb') as lbpath:
magic, n = struct.unpack('>II',
lbpath.read(8))
labels = np.fromfile(lbpath,
dtype=np.uint8)
with open(images_path, 'rb') as imgpath:
magic, num, rows, cols = struct.unpack('>IIII',
imgpath.read(16))
images = np.fromfile(imgpath,
dtype=np.uint8).reshape(len(labels), 784)
return images, labels
path = ".\\mnist"
X_train, y_train = load_mnist(path, kind='train')
path = ".\\mnist"
X_test, y_test = load_mnist(path, kind='t10k')
print("X_train: ",X_train.T.shape, X_train.dtype)
print('y_train: ',y_train.T.shape, y_train.dtype)
print("X_test: ",X_test.shape, X_test.dtype)
print("y_test: ",y_test.shape, y_test.dtype)
path爲保存有上面提到的文件的文件夾名
（3）讀取如下的minist本地圖片
import os
import cv2
import numpy as np
import pydot
import graphviz
ef loadData(path, number):
data = np.empty((number, 1, 28, 28), dtype="float32") # empty與ones差不多原理，但是數值隨機，類型隨後面設定
labels = np.empty((number,), dtype="uint8")
listImg = os.listdir(path)
count = 0
for img in listImg:
imgData = cv2.imread(path + '/' + img, 0) # 數據
l = int(img.split('.')[0]) # 答案
arr = np.asarray(imgData, dtype="float32") # 將img數據轉化爲數組形式
data[count, :, :, :] = arr # 將每個三維數組賦給data
labels[count] = l # 取該圖像的數值屬性作爲標籤
count = count + 1
path, " loaded ", count
if count >= number:
break
return data, labels
# 從圖片文件加載數據
trainData, trainLabels = loadData('./mnistCnn-others_code/mnist', 22000)
testData, testLabels = loadData('./mnistCnn-others_code/mnist', 1)
在使用tensorflow的過程中經常需要可視化計算圖，可以通過tensorboard來實現，可參考該博客，相關例程都有實現
