tensorflow筆記（一）之基礎知識

tensorflow筆記（一）之基礎知識

版權聲明：本文為博主原創文章，轉載請指明轉載地址

http://www.cnblogs.com/fydeblog/p/7399701.html

前言

這篇notebook將一步步構建一個tensorflow的線性回歸的例子，並講述其中的一些基礎知識。我會把notebook文件放在結尾的百度雲鏈接。

首先第一步，要安裝tensorflow，這個網上的教程很多，我安裝的版本是ubuntu下1.2.1的tensorflow，推薦用pip（一步就好）這里附上一個安裝教程的鏈接https://www.leiphone.com/news/201606/ORlQ7uK3TIW8xVGF.html ，安裝ubuntu系統的直接看必不可少的python-pip和python-dev的那部分，這篇博客的博主安裝的是0.8版本的，所以你需要改一下版本，由於我的電腦不支持gpu加速，所以安裝的是cpu，這兩個還是很有區別的，建議有gpu的還是裝gpu版本的，后面跑程序快一些，舉個例子，我在跑cnn卷積神經網絡的手寫識別的程序，沒有gpu加速，跑了40分鍾，有估計會很快，上面鏈接是cpu版本的，gpu版本應該也差不錯，只有自己去安裝了。

1. tensorflow的基本結構

我們先從python中導入tensorflow

import tensorflow as tf

這樣命名比較簡單明了，如果運行這行出現錯誤，說明你沒有安裝成功

matrix1 = tf.constant([[3., 3.]])  #1 row by 2 column
matrix2 = tf.constant([[2.],[2.]]) # 2 row by 1 column

這里用tf.constant創建了兩個矩陣matrix1和matrix2，想知道如何去使用tf的函數，請點擊https://www.tensorflow.org/api_docs/python/這個網址，里面是tf的api文檔，可以直接在上面的搜索框內搜任何一個函數，可以看函數功能，參數，返回值等等。
這里的tf.constant函數是創建一個常量，返回值等於函數的輸入參數，之所以要用tf.constant，這是因為tensorflow有一個特別的地方，那就是用tensorflow的函數創建或返回一個數據，相當於一個源op，源op相當於tensorflow中最小的單元，每一個數據都是一個源op

創建完前面的兩個常量后，我們開始矩陣相乘

product = tf.matmul(matrix1, matrix2)

tf.matmul函數是tensorflow里面的矩陣相乘函數。product也是一個源op，現在我們講講圖（graph）的概念，tensorflow中圖表示計算任務，上面幾行代碼似乎看不到圖的生成過程哈，這是因為tensorflow有一個默認圖，它已經能滿足大部分需求，所以不需要構建圖，目前筆記都會是默認圖，多圖操作我現在還不會，看以后有沒有機會寫吧。在這個默認圖中，已經有三個源op了，分別是product，matrix1和matrix2，我們可以將三個源op看作默認圖中的三個節點，但這三個節點是有關系的，product節點連接這matrix1和matrix2節點，有點像樹的分叉，product相當於主干，matrix1和matrix2相當於兩個分支。

然后我們要創建一個會話

sess = tf.Session()

tensorflow要求所有的任務必須在會話中運行，上面這個語句就是創建一個會話

然后我們在會話中運行product

sess.run(product)

返回結果1X1的矩陣，數據類型是float32（tensorflow的默認類型）

我們來自頂向下看，最頂的是會話（Session），然后會話中包括了各種任務，也是graph，任務又是由不同的源op組成。我用tensorboard畫了圖(tensorboard是tensorflow可視化的一個非常好的工具，這個后面會說)，如圖

2. tensorflow下的回歸實例

好了，現在我們開始舉一個回歸例子來實踐一下吧

import tensorflow as tf
import numpy as np

## prepare the original data
x_data = np.random.rand(100).astype(np.float32)
y_data = 0.3*x_data+0.1
##creat parameters
weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
bias = tf.Variable(tf.zeros([1]))
##get y_prediction
y_prediction = weight*x_data+bias
##compute the loss
loss = tf.reduce_mean(tf.square(y_data-y_prediction))
##creat optimizer
optimizer = tf.train.GradientDescentOptimizer(0.5)
#creat train ,minimize the loss 
train = optimizer.minimize(loss)
#creat init 
init = tf.global_variables_initializer()

##creat a Session 
sess = tf.Session()
##initialize
sess.run(init)
## Loop
for step  in  range(101):
    sess.run(train)
    if step %10==0 :
        print step ,'weight:',sess.run(weight),'bias:',sess.run(bias)

第一項是准備數據，使用了numpy的函數，隨機生成100個float32型的數據，並生成相應的觀測值y
第二項是生成訓練參數，權重weight和偏差bias，這個是tf.Variable函數生成了，這個函數非常常用，變量都是用它來生成的
第三項是得到預測值，通過上面的參數與x_data運算得到
第四項計算損失，觀測值與預測值相差平方取平均
第五項生成一個優化器，使用的是梯度下降優化器
第六項則是用優化器去最小化損失
第七項是生成初始化op,相當於所有變量初始化的開關，在sess里運行則所有變量進行初始化
第八項是生成會話session
第九項是初始化所有變量，只有用tf.Variable函數，都要用這個sess.run(init)初始化，不然參數沒有進行初始化，無法迭代更新
第十項是循環訓練，執行train，它會最小化損失，在這個過程中，參數也在不停地更新，我們用print打印出了步數和參數值

這個說一句，使用tf函數生成的源op，必須在會話中運行，上面一小節我們講了自頂向下看，這里的頂是train，最下面是參數，sess.run(train)會帶動它各個分支和分支下面的分支運行

上述程序輸出結果如下

為了方便理解，我用tensorboard畫了流動圖，如圖

結尾

基礎知識到一段落了，希望這篇文章能對你學習tensorflow有幫助，由於博主能力有限，若有錯誤之處，還請不吝指教！謝謝！

 

百度雲鏈接：https://pan.baidu.com/s/1eBDs0ey4K9-3rVnsJOorag