TensorFlow 入門：Session、Variable、placeholder

Tensorflow 是谷歌2015年11月正式開源的計算框架。主要依賴Protocol Buffer和Bzael兩個工具包：

• Protocl Buffer是谷歌開發的結構化數據處理工具
• Bzael 是谷歌的自動化構建工具，谷歌內部大部分應用均通過它來編譯

Tensorflow 是谷歌2015年11月正式開源的計算框架。主要依賴Protocol Buffer和Bzael兩個工具包：

• Protocl Buffer是谷歌開發的結構化數據處理工具
• Bzael 是谷歌的自動化構建工具，谷歌內部大部分應用均通過它來編譯

Tensorflow的名字已經說明其最重要的兩個概念：

• Tensor就是張量，即多維數組，所有數據都通過張量的形式表示。一個張量主要保存三個屬性：名字（name），維度（shape）和類型。
• Flow就是流，體現了計算模型，Tensorflow中每個計算都是計算圖上的一個節點，節點之間的邊描述了計算間的依賴關係

Tensorflow支持14種不同類型，主要包括：

• 實數（tf.float32, tf.float64）
• 整數（tf.int8, tf.int16, tf.int32, tf.int64, tf.unit8）
• 布爾型（tf.bool）
• 複數（tf.complex64, tf.complex128）

1. 會話

Tensorflow使用會話（Session）執行定義好的運算，會話擁有並管理Tensorflow程序運行時的所有資源，計算完成後需要關閉會話回收資源。
爲解決異常退出時的資源釋放問題，Tensorflow通過Python上下文管理器來使用會話（將所有計算放在with內部），當上下文管理器退出時自動釋放所有資源。

x = tf.constant([[1.0,2.0]])   #x(1,2)
w = tf.constant([[3.0],[4.0]]) #w(2,1)
y = tf.matmul(x,w)             #y(1,1)
with tf.Session() as sess:
    print(sess.run(y))

2. 變量

Tensorflow支持14種不同類型，主要包括：

• 實數（tf.float32, tf.float64）
• 整數（tf.int8, tf.int16, tf.int32, tf.int64, tf.unit8）
• 布爾型（tf.bool）
• 複數（tf.complex64, tf.complex128）

tf.Variable(<initial-value>, name=<optional-name>) 用於生成一個初始值爲initial-value(必須指定)的變量
tf.get_variable(name, shape=None, dtype=tf.float32, initializer=None) 獲取已存在的變量（要求不僅名字，而且初始化方法等各個參數都一樣），若不存在，就新建一個（可以用各種初始化方法，如xavier_initializer不用明確指定值）。

常用的生成隨機數/數組的函數有：

• tf.random_normal()：生成正態分佈隨機數
• tf.truncated_normal()：生成去掉過大偏離點的正態分佈隨機數
• tf.random_uniform()：生成均勻分佈隨機數
• tf.zeros：表示生成全0數組
• tf.ones ：表示生成全1數組
• tf.fill ：表示生成全定值數組
• tf.constant：表示生成直接給定值的數組

例：

• tf.Variable(tf.random_normal([2,3],stddev=2, mean=0, seed=1))，表示生成正態分佈隨機數，形狀兩行三列，標準差是2，均值是0，隨機種子是1
• tf.Variable(tf.Truncated_normal([2,3],stddev=2, mean=0, seed=1))，表示去掉偏離過大的正態分佈， 也就是如果隨機出來的數據偏離平均值超過兩個標準差，這個數據將重新生成
• random_uniform(shape=7,minval=0,maxval=1,dtype=tf.int32， seed=1)，表示從一個均勻分佈[minval maxval)中隨機採樣，注意定義域是左閉右開，即
  包含minval，不包含 maxval
• tf.zeros([3,2],int32)表示生成[[0,0],[0,0],[0,0]]
• tf.ones([3,2],int32)表示生成[[1,1],[1,1],[1,1]
• tf.fill([3,2],6)表示生成[[6,6],[6,6],[6,6]]
• tf.constant([3,2,1])表示生成[3,2,1]。

3. placeholder

Tensorflow通過placeholder佔位符機制用於提供輸入數據，相當於定義一個位置，這個位置中的數據在程序運行時再指定。在定義時需要指定數據類型（不可改變）。這樣在程序中就不需要生成大量常量來提供輸入數據，而只需要將數據通過placeholder傳入Tensorflow計算圖。

#使用佔位符 一次輸入一組數據
x = tf.placeholder(tf.float32,shape=(1,2))
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))

#使用佔位符 一次輸入多組數據
x = tf.placeholder(tf.float32,shape=(None,2))
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5],[0.2,0.3],[0.3,0.4],[0.4,0.5]]}))
    print(sess.run(w1))
    print(sess.run(w2))