文章目錄

TensorFlow程序一般分爲兩個階段。

第一階段：定義計算圖中所有的計算，張量計算只是構造了一個靜態圖；
第二階段：執行計算，使用session.run纔開始對圖開始有向計算。

1 計算圖————TensorFlow的計算模型

1.1 計算圖的概念

TensorFlow這個單詞由兩部分組成：tensor代表張量，是數據模型；flow代表流，是計算模型。下面就引出Flow的具體內涵。

流動的事務具有有向性，計算圖就是一個具有 “每一個節點都是計算圖上的一個節點，而節點之間的邊描述了計算之間的依賴關係” 性質的有向圖。（計算圖和數據結構這門課程中的有向圖具有高度的相似性，現在可以回憶一下這段記憶）

計算圖由邊（表示依賴關係，又被叫做“張量”）和節點（又被叫做“神經元”、“算子”）組成。如果tensorflow程序只定義了一個Graph，那其內部包含了所有的op和tensor

1.2 計算圖的使用

在TensorFlow程序中，系統會自動維護一個默認的計算圖，通過tf.get_default_graph()函數可以獲取這個默認的計算圖。

import tensorflow as tf
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')
result = a + b

通過a.graph屬性可以查看這個張量所屬的計算圖。因爲沒有特意指定，所以這個計算圖應該等於當前默認的計算圖
print(a.graph is tf.get_default_graph())

import tensorflow as tf
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')
result = a + b
#任何一個圖中張量的graph都在同一個默認圖中
print(a.graph is tf.get_default_graph())
#True
print(result.graph is tf.get_default_graph())
#True

Tensorflow通過計算圖把張量和算子等組合在一起，而在很多TensorFlow程序中，看不到Graph,這是爲何?這是因爲TensorFlow有個默認缺省的graph
(即Graph.as_default()),我們添加的tensor和op等都會自動添加到這個缺省計算圖中，如果沒有特別要求，使用這個默認缺省的Graph即可。當然，如果需要一些更復雜的計算，比如需要創建兩個相互之間沒有交互的模型，就需要自定義計算圖。
除了使用默認的計算圖，TensorFlow支持通過tf.Graph函數來生成新的計算圖。TensorFlow中的計算圖不僅可以隔絕張量和計算，它還提供了管理張量和計算的機制，不同計算圖上的張量和運算不會共享。
以下代碼示意瞭如何通過在不同的計算圖上定義和使用變量。

import tensorflow as tf

g1 = tf.Graph()
with g1.as_default():
    v = tf.get_variable('v', shape=[1], initializer=tf.zeros_initializer)

g2 = tf.Graph()
with g2.as_default():
    v = tf.get_variable('v', shape=[1], initializer=tf.ones_initializer)
'''
tf.Graph()沒有實現__enter__()方法，做不到下面那優雅pythonic的寫法。
with tf.Graph() as g2:
    v = tf.get_variable('v', shape=[1], initializer=tf.ones_initializer)
    
這樣寫了就會拋出AttributeError異常

Traceback (most recent call last):
  File "D:/bb/TensorFlow/Untitled1.py", line 7, in <module>
    with tf.Graph() as g2:
AttributeError: __enter__
'''

with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable('v')))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable('v')))


輸出>>>
[0.]
[1.]
注：先不要管代碼是什麼含義，繼續往下看

如果有多個Graph，建議不使用默認的Graph，直接無視或者爲其分配一個句柄，避免發生混亂

import tensorflow as tf

graph1 = tf.Graph()
graph2 = tf.Graph()  # 直接無視默認缺省的Graph
# graph2 = tf.get_default_graph() 爲其分配一個句柄

with graph1.as_default():
    pass

with graph2.as_default():
    pass

2 張量————TensorFlow數據類型

2.1 張量的概念

在TensorFlow的程序中，所有的數據都通過張量（tensor）的形式表示。

張量（tensor）理解爲多維數組（multidimensional array），0階張量是標量（scalar），1階是向量（vector）（即一維數組），2階是二維數組，n階爲n維數組。

TensorFlow的運算結果不是一個數，而是一個張量結構。（運算和運行在tensorflow語境中不同，運算就是用過運算符操作，運行就和會話有關，3.3會提到）

import tensorflow as tf

a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')

result = tf.add(a, b, name='add')

print(result)

輸出>>>
Tensor("add:0", shape=(2,), dtype=float32)

一個張量保存了三個屬性：名字（name）、維度（shape）和類型（type）

名字name：一個張量的唯一標識符以及這個張量是如何計算出來的。
張量的命名形式：“node：src_output”，node爲節點的名稱，src_output表示當前張量來自來自節點的第幾個輸出。
比如上面的代碼的輸出"add:0"說明張量result是計算節點“add”輸出的第一個結果（編號從0開始）
張量和計算圖上節點的計算結果是一一對應的。
維度shape：描述了一個張量的維度信息。
上面樣例的shape（2，）表示一個一維數組，這個數組的長度是2。
類型type：每一個張量都有一個唯一的類型，常用的是tf.int32，tf.float32。參與運算的張量需要保持數據類型相同，不然會報錯。
TensorFlow支持的14種數據類型：

有符號整型：

tf.int8：8位整數
tf.int16：16位整數
tf.int32：32位整數
tf.int64：64位整數
無符號整型：
tf.uint8：8位無符號整數
tf.uint16：16位無符號整數
浮點型：
tf.float16：16位浮點數
tf.float32：32位浮點數
tf.float64：64位浮點數
tf.double：等同於tf.float64
字符串型：
tf.string：字符串
布爾型：
tf.bool：布爾型
複數型：
tf.complex64：64位複數
tf.complex128：128位複數
TensorFlow數據類型和Python原生數據類型的關係

TensorFlow接受了Python自己的原生數據類型，例如Python中的布爾值類型，數值數據類型（整數，浮點數）和字符串類型。單一值將轉換爲0維張量（標量），列表值將轉換爲1維張量（向量），列表套列表將被轉換成2維張量（矩陣）

TensorFlow數據類型和Numpy數據類型的關係

你可能已經注意到了Numpy和TensorFlow有很多相似之處。TensorFlow在設計之初就希望能夠與Numpy有着很好的集成效果。Numpy軟件包現在已經成爲數據科學的通用語言。

TensorFlow數據類型很多也是基於Numpy的，事實上，如果你令 np.int32==tf.int32將會返回True.你也可以直接傳遞Numpy數據類型直接給TensorFlow中的ops。

tf.ones([2, 2], np.float32) ==> [[1.0 1.0], [1.0 1.0]]
請記得，我們的好朋友會話tf.Session.run()，要求的輸入對象是一個Tensor但是它的輸出是一個Numpy數組。事實上，在絕大多數場合，你可以同時混合使用TensorFlow類型和Numpy類型。

2.2 張量的使用

張量使用可以歸結爲兩大類。

第一類對中間計算結果的引用，提升代碼的可讀性

使用張量和不使用張量的對比

import tensorflow as tf

#使用張量記錄

a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')
result1 = a + b

不使用張量，簡潔但是可讀性降低

result2 = tf.constant([1.0, 2.0], name='a') + tf.constant([1.0, 2.0], name='b')

#jie'guo'xiang't
print(result1)
print(result2)

輸出>>>
Tensor("add:0", shape=(2,), dtype=float32)
Tensor("add_1:0", shape=(2,), dtype=float32)

第二類情況是計算圖構造完成後，張量可以用來獲取計算結果
使用tf.Session().run(result)語句可以得到計算結果

3 會話————TensorFlow運行模型

3.1會話的概念

計算圖描述計算
張量是組織數據
會話執行定義好的運算

會話管理TensorFlow程序運行時的所有資源，並在運行結束後釋放所有的資源。

會話機制類似於計算圖機制：
計算圖：在一開始就有一個默認的計算圖存在，並且沒有特別指定，運算會自動加入到這個默認的計算圖中
會話：會要手動創建，張量自動添加。

3.2會話的使用

TensorFlow使用會話模式有兩種方式

1.普通模式

import tensorflow as tf

加入了一個異常處理機制，確保釋放資源

try:
    sess = tf.Session()  # 創建一個會話
    sess.run(...)  # 運行，得到計算結果
except Exception:
    pass
finally:
    sess.close()  # 關閉會話，釋放資源

2.上下文模式
這纔是pythonic的寫法，極力推薦

import tensorflow as tf

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

運行到這個位置會自動釋放sess的資源，優雅尼克
這是2.2程序的引用，會話的寫法多種多樣，我們應用最優雅、最pythinc的代碼去闡述。

import tensorflow as tf

a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')

result = tf.add(a, b, name='add')

with tf.Session() as sess:
   # tf.Session.run()，要求的輸入對象是一個Tensor但是它的輸出是一個Numpy數組
   print(sess.run(result))

輸出>>>
[2. 4.]

4 其他基本概念——常量、變量、佔位符

4.1 常量

Python中使用常量很簡單，如a=123，b=‘python’。TensorFlow表示常量稍微麻煩一點，需要使用tf.constant這個類，具體格式如下：

tf.constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

其中各參數說明如下：

value : 一個dtype類型(如果指定了)的常量值(列表)。要注意的是，若value是一個列表，那麼列表的長度不能夠超過形狀參數指定的大小(如果指定了)。如果列表長度小於指定的大小，那麼多餘的空間由列表的最後一個元素來填充。
dtype : 返回的tensor的類型
shape : 返回的tensorflow的形狀
name : tensor的名字
verify_shape : 布爾值，用於驗證值的形狀。
示例如下：

import tensorflow as tf

構建計算圖
a = tf.constant('something', name='a')

print(a)

with tf.Session() as sess:  # 創造會話
   result = sess.run(a)  # 在會話中執行張量a
   print(result)


輸出>>>
Tensor("a:0", shape=(2,), dtype=float32)
b'something'

4.2 變量

變量是TensorFlow中的核心概念，創建一個類使用tf.Variable,具體格式如下：

tf.Variable(initial_value=None,trainable=None,collections=None,validate_shape=True,caching_device=None,name=None,variable_def=None,dtype=None,expected_shape=None,import_scope=None,constraint=None,use_resource=None,synchronization=VariableSynchronization.AUTO, aggregation=VariableAggregation.NONE,shape=None)

主要參數說明：

initial_value ：一個 Tensor類型或者是能夠轉化爲Tensor的python對象類型。它是這個變量的初始值。這個初始值必須指定形狀信息，不然後面的參數validate_shape需要設置爲False。當然，也能夠傳入一個無參數可調用並且返回指定初始值的對象，在這種情況下，dtype必須指定。
trainable ：如果設置爲True (默認也爲True),這個變量可以被優化器類(optimizer)自動修改Variable的值;如果設置爲False,則說明Variable 只能手工修改，不允許使用優化器類自動修改。
collections ：圖的collection鍵列表，新的變量被添加到這些collection 中。默認是
validate_shape ：如果是False的話，就允許變量能夠被一個形狀未知的值初始化，默認是True,表示必須知道形狀。
caching_device ：可選，描述設備的字符串，表示哪個設備用來爲讀取緩存。默認是變量的device。
name ：可選，變量的名稱。
dtype ：如果被設置，初始化的值就會按照這裏的類型來定。

4.2.1.創建變量

1.現在讓我們使用tf.Variable()創建變量，這是最簡單的、最常用的變量創建方法。用的最多的兩個參數initial_value和name

import tensorflow as tf

girl = tf.Variable('安靜宇', name='big')  # 這個name大有作用，後面會講到，需要注意的是，name的值不可以是中文，中文會報錯

god = tf.Variable('安靜宇', name='big')  # 使用tf.Variable()創建的實例，實例名是唯一標識符( Variable()內的參數都可以重複 )

寫作girl = tf.Variable('安靜宇', name='big')，就會覆蓋第一個girl

print('initializer', girl.initializer)
print('initial_value', girl.initial_value)
print('graph', girl.graph)
print('shape', girl.shape)
print('name', girl.name)
print('dtype', girl.dtype)
print('value', girl.value())

'''
輸出>>>
initializer name: "big/Assign"
op: "Assign"
input: "big"
input: "big/initial_value"
attr {
 key: "T"
 value {
   type: DT_STRING
 }
}
attr {
 key: "_class"
 value {
   list {
     s: "loc:@big"
   }
 }
}
attr {
 key: "use_locking"
 value {
   b: true
 }
}
attr {
 key: "validate_shape"
 value {
   b: true
 }
}

initial_value Tensor("big/initial_value:0", shape=(), dtype=string)
graph <tensorflow.python.framework.ops.Graph object at 0x000001DF1B542EF0>
shape ()
name big:0
dtype <dtype: 'string_ref'>
value Tensor("big/read:0", shape=(), dtype=string)

2.除了使用tf.Variable()創建變量，還有一個孿生兄弟，tf.get_variable()，他兩的業務邏輯還是很不一樣的，使用的唯一標識符不一樣，前者使用實例名作爲唯一標誌，後者使用name參數作爲唯一標誌。

具體用法可以參考這篇博客Variable和get_variable的用法以及區別

按照習慣，get開頭的函數都是“查詢”、“獲取”的意思，但是tf.get_variable()是創建變量，get取的是“創建”的意思

4.2.2.初始化變量

tensorflow中，程序存在變量，在使用前必須初始化

初始化變量有兩個方法

一個一個手動初始化
一次性全局初始化
手動初始化就是

ses.run(var1.initializer)
ses.run(var2.initializer)
ses.run(var3.initializer)
一次性全局初始化只要使用一個函數 tf.global_variables_initializer()

init_op = tf.global_variables_initializer()
sess.run(init_op)
貼一個完整代碼

import tensorflow as tf

girl = tf.Variable('aa', name='cute')

god = tf.Variable('aa', name='pretty')

with tf.Session() as sess:
   # 必須先初始化變量才能使用，tf.global_variables_initializer()可以初始化所有的變量
   sess.run(girl.initializer)
   sess.run(god.initializer)
   # 等價於 sess.run(tf.global_variables_initializer())
   print(sess.run(girl).decode())
   print(sess.run(god).decode())

輸出>>>
aa
aa

4.3 placeholder佔位符

在tensorflow中，有一個機制叫做placeholder，首先創建變量但是不進行賦值，在最後sess.run(op,feed_dict={ } )用feed_dict進行賦值操作，

import tensorflow as tf
 
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
 
with tf.Session() as sess:
	print(sess.run(output,feed_dict={input1:[7.],input2:[2.]})

5 tensorboard

tensorflow強大功能之一可以將數據整個靜態圖運行之後的過程用圖像方式展現出來，可以更加直觀分析整個數據流圖。

5.1 簡介

Tensorflow，簡單的說，就是tensor（張量）數據在圖中flow（流動）計算（op）的過程。
官方數據流圖：

5.2 案例

模擬使用幾個數計算獲取結果的圖

import tensorflow as tf
#可以將一組操作定義一個scope 會合併到一個圓方形中。
with tf.name_scope('graph') as scope:
    a = tf.constant(11.8, name='a')  # 這裏定義名字都會顯示在對應快圖中 方便定位
    b = tf.constant(12.8, name='b')
    x= tf.placeholder(dtype=tf.float32,name="x")
    result = tf.add(tf.multiply(a,x) , b)
with tf.Session() as session:
    writer=tf.summary.FileWriter("./graph",session.graph)
    session.run(tf.global_variables_initializer())
    result=session.run(result,feed_dict={x:10})
    print(result)
    writer.close() # 關閉時寫入內存，否則它每隔120s寫入一次

運行完成後在當前目錄graph目錄下生成日誌文件，使用命令 tensorboard --logdir ./graph

E:\workspace\machinelearn\tensor_base\教程記錄>tensorboard --logdir ./graph
TensorBoard 1.11.0 at http://jiaozi-PC:6006 (Press CTRL+C to quit)

瀏覽器訪問localhost:6006

tensorflow入門教程02-tensorflow基本概念（數據流圖，張量，tensorboard）

文章目錄

1 計算圖————TensorFlow的計算模型

1.1 計算圖的概念

1.2 計算圖的使用

2 張量————TensorFlow數據類型

2.1 張量的概念

2.2 張量的使用

3 會話————TensorFlow運行模型

3.1會話的概念

3.2會話的使用

4 其他基本概念——常量、變量、佔位符

4.1 常量

4.2 變量

4.2.1.創建變量

4.2.2.初始化變量

4.3 placeholder佔位符

5 tensorboard

5.1 簡介

5.2 案例

MySQL 核心模塊揭祕 | 18 期 | 鎖在內存里長什麼樣*

使用perf工具生成火焰圖

HttpSecurity 是如何組裝過濾器鏈的

數說海南——近6年海南各市縣人口簡單看

長序列中Transformers的高級注意力機制總結

WebStorm 創建 Vue 項目

大齡程序員思考

響應式界面控件DevExtreme * 更強的數據分析和可視化功能

linux下gcc編程10-clion編譯調試nginx

vue進階02-vue入門（helloworld和路由應用）

vue進階03-vue語法學習實戰

tensorflow入門教程02-tensorflow基本概念（數據流圖，張量，tensorboard）

springsecurity05-第三方登錄到微信和支付寶

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結