tensorflow——創建和操控張量

以下內容摘自Google開發者網站課程——機器學習速成課程

 

TensorFlow 的名稱源自張量，張量是任意維度的數組。借助 TensorFlow，您可以操控具有大量維度的張量。即便如此，在大多數情況下，您會使用以下一個或多個低維張量：

• 標量是零維數組（零階張量）。例如，\'Howdy\' 或 5
• 矢量是一維數組（一階張量）。例如，[2, 3, 5, 7, 11] 或 [5]
• 矩陣是二維數組（二階張量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]

TensorFlow 指令會創建、銷毀和操控張量。典型 TensorFlow 程序中的大多數代碼行都是指令。

TensorFlow 圖（也稱為計算圖或數據流圖）是一種圖數據結構。很多 TensorFlow 程序由單個圖構成，但是 TensorFlow 程序可以選擇創建多個圖。圖的節點是指令；圖的邊是張量。張量流經圖，在每個節點由一個指令操控。一個指令的輸出張量通常會變成后續指令的輸入張量。TensorFlow 會實現延遲執行模型，意味着系統僅會根據相關節點的需求在需要時計算節點。

張量可以作為常量或變量存儲在圖中。您可能已經猜到，常量存儲的是值不會發生更改的張量，而變量存儲的是值會發生更改的張量。不過，您可能沒有猜到的是，常量和變量都只是圖中的一種指令。常量是始終會返回同一張量值的指令。變量是會返回分配給它的任何張量的指令。

要定義常量，請使用 tf.constant 指令，並傳入它的值。例如：

  x = tf.constant([5.2])

同樣，您可以創建如下變量：

  y = tf.Variable([5])

或者，您也可以先創建變量，然后再如下所示地分配一個值（注意：您始終需要指定一個默認值）：

  y = tf.Variable([0])
  y = y.assign([5])

定義一些常量或變量后，您可以將它們與其他指令（如 tf.add）結合使用。在評估 tf.add 指令時，它會調用您的 tf.constant 或 tf.Variable 指令，以獲取它們的值，然后返回一個包含這些值之和的新張量。

圖必須在 TensorFlow 會話中運行，會話存儲了它所運行的圖的狀態：

將 tf.Session() 作為會話：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 時，您必須在會話開始時調用 tf.global_variables_initializer，以明確初始化這些變量，如上所示。

簡單DEMO：

import tensorflow as tf
with tf.Graph().as_default():
  # Task 2: Simulate 10 throws of two dice. Store the results
  # in a 10x3 matrix.

  # We're going to place dice throws inside two separate
  # 10x1 matrices. We could have placed dice throws inside
  # a single 10x2 matrix, but adding different columns of
  # the same matrix is tricky. We also could have placed
  # dice throws inside two 1-D tensors (vectors); doing so
  # would require transposing the result.
  dice1 = tf.Variable(tf.random_uniform([10, 1],
                                        minval=1, maxval=7,
                                        dtype=tf.int32))
  dice2 = tf.Variable(tf.random_uniform([10, 1],
                                        minval=1, maxval=7,
                                        dtype=tf.int32))

  # We may add dice1 and dice2 since they share the same shape
  # and size.
  dice_sum = tf.add(dice1, dice2)

  # We've got three separate 10x1 matrices. To produce a single
  # 10x3 matrix, we'll concatenate them along dimension 1.
  resulting_matrix = tf.concat(
      values=[dice1, dice2, dice_sum], axis=1)
  with tf.Session() as sess:
    # The variables haven't been initialized within the graph yet,
    # so let's remedy that.
    sess.run(tf.global_variables_initializer())
    print(resulting_matrix.eval())