正文

TensorFlow用張量這種數(shù)據(jù)結(jié)構(gòu)來表示所有的數(shù)據(jù)。

用一階張量來表示向量，如：v = [1.2, 2.3, 3.5] ，如二階張量表示矩陣，如：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，可以看成是方括號(hào)嵌套的層數(shù)。

1、編輯器

編寫tensorflow代碼，實(shí)際上就是編寫py文件，最好找一個(gè)好用的編輯器，如果你用vim或gedit比較順手，那也可以的啦。我們既然已經(jīng)安裝了anaconda，那么它里面自帶一個(gè)還算不錯(cuò)的編輯器，名叫spyder，用起來和matlab差不多，還可以在右上角查看變量的值。因此我一直使用這個(gè)編輯器。它的啟動(dòng)方式也很簡(jiǎn)單，直接在終端輸入spyder就行了。

2、常量

我們一般引入tensorflow都用語(yǔ)句

import tensorflow as tf

因此，以后文章中我就直接用tf來表示tensorflow了。

在tf中，常量的定義用語(yǔ)句：

a=tf.constant(10)

這就定義了一個(gè)值為10的常量a

3、變量

變量用Variable來定義, 并且必須初始化，如：

x=tf.Variable(tf.ones([3,3]))
y=tf.Variable(tf.zeros([3,3]))

分別定義了一個(gè)3x3的全1矩陣x，和一個(gè)3x3的全0矩陣y，0和1的值就是初始化。

變量定義完后，還必須顯式的執(zhí)行一下初始化操作，即需要在后面加上一句：

init=tf.global_variables_initializer()

這句可不要忘了，否則會(huì)出錯(cuò)。

例：自定義一個(gè)拉普拉斯的W變量：

import tensorflow as tf
import numpy as np
x=np.array([[1,1,1],[1,-8,1],[1,1,1]])
w=tf.Variable(initial_value=x)
sess=tf.Session()
sess.run(tf.global_variables_initializer())
print(sess.run(w))

4、占位符

變量在定義時(shí)要初始化，但是如果有些變量剛開始我們并不知道它們的值，無(wú)法初始化，那怎么辦呢？

那就用占位符來占個(gè)位置，如：

x = tf.placeholder(tf.float32, [None, 784])

指定這個(gè)變量的類型和shape，以后再用feed的方式來輸入值。

5、圖(graph)

如果把下面的python語(yǔ)句改在tf語(yǔ)句，該怎么寫呢：

x=3
y=2
z=x+y
print(z)

定義兩個(gè)變量，并將兩個(gè)數(shù)相加，輸出結(jié)果。如果在tf中直接像上面這樣寫，那就錯(cuò)了。x,y,z分別是三個(gè)tensor對(duì)象，對(duì)象間的運(yùn)算稱之為操作(op), tf不會(huì)去一條條地執(zhí)行各個(gè)操作，而是把所有的操作都放入到一個(gè)圖(graph）中，圖中的每一個(gè)結(jié)點(diǎn)就是一個(gè)操作。然后行將整個(gè)graph 的計(jì)算過程交給一個(gè) TensorFlow 的Session, 此 Session 可以運(yùn)行整個(gè)計(jì)算過程，比起操作(operations)一條一條的執(zhí)行效率高的多。

執(zhí)行代碼如下：

import tensorflow as tf
x = tf.Variable(3)
y = tf.Variable(5)
z=x+y
init =tf.global_variables_initializer()

with tf.Session() as sess: 
sess.run(init) 
print(sess.run(z))

其中sess.run()即是執(zhí)行，注意要先執(zhí)行變量初始化操作，再執(zhí)行運(yùn)算操作。

Session需要先創(chuàng)建，使用完后還需要釋放。因此我們使用with...as..語(yǔ)句，讓系統(tǒng)自動(dòng)釋放。

例子1：hello world

import tensorflow as tf
word=tf.constant('hello,world!')
with tf.Session() as sess:
    print(sess.run(word))

例子2：加法和乘法

import tensorflow as tf 
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
add = tf.add(a, b)
mul = tf.mul(a, b)
with tf.Session() as sess:
    print('a+b=',sess.run(add, feed_dict={a: 2, b: 3}))
    print('a*b=',sess.run(mul, feed_dict={a: 2, b: 3}))

此處使用feed_dict以字典的方式對(duì)多個(gè)變量輸入值。

例子3：矩陣乘法

import tensorflow as tf 
a=tf.Variable(tf.ones([3,2]))
b=tf.Variable(tf.ones([2,3]))
product=tf.matmul(5*a,4*b)
init=tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(product))

 其中

product=tf.matmul(5*a,4*b)

也可以改成 

product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b))

定義變量時(shí)，沒有指定數(shù)據(jù)類型，則默認(rèn)為float32，因此是5.0而不是5

以上就是python深度學(xué)習(xí)tensorflow入門基礎(chǔ)教程示例的詳細(xì)內(nèi)容，更多關(guān)于python深度學(xué)習(xí)tensorflow基礎(chǔ)的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論