机器学习之路： 初识tensorflow 第一个程序

计算图

tensorflow是一个通过计算图的形式来表示计算的编程系统

tensorflow中每一个计算都是计算图上的一个节点

节点之间的边描述了计算之间的依赖关系

张量 tensor

张量可以简单理解成多维数组

零阶张量为 标量 scala 也就是一个数

n阶张量可以理解为n维数组

张量没有保存真正的数字 而是保存一个结果运算过程的引用 并不会执行加法运算

获得一个张量 使用tf.constant(value, name, shape, dtype)

dtype为数值类型,不同类型之间不能进行操作

会话 session

会话用来执行定义好的运算

管理tensorflow运行时的资源

计算完成后资源回收

会话指定之后 可以通过tf.Tensor.eval() 来计算一个张量的取值

变量

tf.Variable

作用是保存和更新神经网络中的参数

经常用随机数来初始化变量

常用的随机数生成器:

tf.random_normal 正太分布

tf.truncated_normal 正太分布 如果平均值超过两个标准差就重新随机

tf.random_uniform 均匀分布

tf.random_gamma Gamma分布

tf.zeros 产生全0数组

tf.ones 产生全1数组

tf.fill 给定数字数组

tf.constant 定量值

git: https://github.com/linyi0604/MachineLearning/tree/master/07_tensorflow/

  1 import tensorflow as tf
  2 
  3 
  4 '''
  5 计算图
  6 
  7 tensorflow是一个通过计算图的形式来表示计算的编程系统
  8 tensorflow中每一个计算都是计算图上的一个节点
  9 节点之间的边描述了计算之间的依赖关系
 10 '''
 11 # 1 计算图的使用
 12 # 获得系统默认的计算图
 13 # print(tf.get_default_graph)     # <function get_default_graph at 0x7f484912be18>
 14 # 生成新的计算图
 15 g1 = tf.Graph()
 16 with g1.as_default():
 17     # 在计算图g1中定义变量v 设置为0
 18     v = tf.get_variable(name="v",
 19                         initializer=tf.zeros_initializer(),
 20                         shape=[1])
 21 g2 = tf.Graph()
 22 with g2.as_default():
 23     # 在图g2中定义变量v 初始值1
 24     v = tf.get_variable(name="v",
 25                         initializer=tf.ones_initializer(),
 26                         shape=[1])
 27 
 28 # 在图1中读取变量v的值
 29 with tf.Session(graph=g1) as sess:
 30     # 初始化所有变量
 31     tf.initialize_all_variables().run()
 32     with tf.variable_scope("", reuse=True):
 33         print(sess.run(tf.get_variable(name="v")))   # [0.]
 34 
 35 # 在图2中读取变量v的值
 36 with tf.Session(graph=g2) as sess:
 37     # 初始化所有变量
 38     tf.initialize_all_variables().run()
 39     with tf.variable_scope("", reuse=True):
 40         print(sess.run(tf.get_variable(name="v")))  # [1.]
 41 
 42 
 43 g = tf.Graph()
 44 # 指定运行设备
 45 with g.device("/gpu:0"):
 46     pass
 47 
 48 
 49 
 50 '''
 51 张量 tensor
 52 张量可以简单理解成多维数组
 53 零阶张量为 标量 scala   也就是一个数
 54 n阶张量可以理解为n维数组
 55 
 56 张量没有保存真正的数字 而是保存一个结果运算过程的引用 并不会执行加法运算
 57 获得一个张量 使用tf.constant(value, name, shape, dtype)
 58 dtype为数值类型,不同类型之间不能进行操作
 59 
 60 '''
 61 # tf.constant 是一个计算 结果为一个张量
 62 a = tf.constant([1.0, 2.0], name="a")
 63 b = tf.constant([2.0, 3.0], name="b")
 64 result = tf.add(a, b, name="add")
 65 # print(result)   # Tensor("add:0", shape=(2,), dtype=float32)
 66 
 67 
 68 '''
 69 会话 session
 70 会话用来执行定义好的运算
 71 管理tensorflow运行时的资源
 72 计算完成后资源回收
 73 会话指定之后 可以通过tf.Tensor.eval() 来计算一个张量的取值
 74 '''
 75 # 开启会话
 76 with tf.Session() as sess:
 77     with sess.as_default(): # 注册默认会话 计算张量的值
 78         # result为之前张量a和b的加法引用
 79         print(result.eval())    # [3. 5.]
 80 
 81 
 82 '''
 83 变量
 84 tf.Variable
 85 作用是保存和更新神经网络中的参数
 86 经常用随机数来初始化变量
 87 常用的随机数生成器:
 88     tf.random_normal 正太分布
 89     tf.truncated_normal 正太分布 如果平均值超过两个标准差就重新随机
 90     tf.random_uniform 均匀分布
 91     tf.random_gamma Gamma分布
 92     tf.zeros 产生全0数组
 93     tf.ones 产生全1数组
 94     tf.fill 给定数字数组
 95     tf.constant 定量值
 96 '''
 97 # 声明一个变量 随机生成 2*3的矩阵 满足正太分布 均值为0 标准差为2
 98 weights = tf.Variable(tf.random_normal(shape=[2,3], stddev=2, mean=0))
 99 # 生成三个零的数组变量
100 bias = tf.Variable(tf.zeros(shape=[3]))
101 # 也支持用其他变量初始化的形式声明变量
102 # 与weight相同
103 w2 = tf.Variable(weights.initialized_value())
104 # 是weight的两倍
105 w3 = tf.Variable(weights.initialized_value()*2)