Tensorflow系列之（一）：Tensorflow的基本操作

Tensorflow是一个Google开发的深度学习的框架，十分的好用。下面我们就来简单介绍一下Tensorflow的基本用法

就我的理解来说，Tensorflow框架的写法和我们之前写的程序不太一样，如果要理解Tensorflow，先要理解它的基本组成部分，tensor

tensor, 张量, 就相当于一个指定维度的数组，就像numpy里面的ndarray，tenseflow的框架定义了一个图，操作就相当于图中的节点，我们的数据tensor就在节点之间运行(在节点之间流动，所以叫tensorflow)。每次我们要进行计算，必须使用一个session，会话，进行计算

一、Tensorflow的环境搭建

这一部分就先略去了，有时间再详细介绍

二、声明变量和常量

就像学习一门编程语言一样，我们学习Tensorflow也要先学习怎么对变量和常量进行运算，我们先看怎么进行变量和常量的声明

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype=tf.float32 )
1
2

在这里我们分别定义了变量a和常量b，相应的值就是代码中赋的值，现在我们想打印输出一下它们的值，但是我们不能直接打印，在这之前我们先要初始化session变量

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
1
2
3

在初始化之后我们就可以进行我们想进行的操作啦！

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype=tf.float32 )

sess = tf.Session()
sess.run( tf.initialize_all_variables() )

print sess.run( a )
print sess.run( b )
1
2
3
4
5
6
7
8

a = tf.Variable(0.1, dtype=tf.float32)
b = tf.constant(0.2, dtype=tf.float32)
c = tf.Variable(0.1, dtype=tf.float32)

sess = tf.InteractiveSession()
sess.run(tf.initialize_all_variables())

tmp = tf.assign(c, b)  # assign

print sess.run(tmp)

tmp_var1 = tf.add(a, b)  # add
tmp_var2 = tf.mul(a, b)  # mul

print sess.run(tmp_var1)
print sess.run(tmp_var2)
print 'eval  ', b.eval()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

对于这里我的理解是这样的，在每次有相关的运算的时候，虽然写了这个运算，但是不会运行，指导我们执行了一个sess.run的操作，才会运行，这个时候就会递归地去找运算中的各个量的值是什么。如果找到了定义那就直接运算就可以了，如果找到了另外一个运算，递归地进行另外一个运算，然后再赋值

而且还有需要注意的一点是，我们在定义的时候使用Interactive Session，这样计算值的时候就可以直接使用tensor.eval()，而且如果这个计算有参数的话，直接使用tensor.eval( feed_dict = {} )就可以了

a = tf.Variable( 0.1, dtype= tf.float32 )
b = tf.constant( 0.2, dtype= tf.float32 )

sess = tf.Session()
sess.run( tf.initialize_all_variables() )

tmp_value = tf.add( a, b )
update_value = tf.assign( a, tmp_value )

for i in range( 5 ):
    print sess.run( update_value )
1
2
3
4
5
6
7
8
9
10
11

在这段代码当中，每次要计算update_value的时候，都要去递归地计算a和tmp_value的值

这里要特别注意一下，有一个小小的坑（虽然说这个坑很小，但是我在坑里掉了很长时间），就是初始化值的时候，是run initialize，这个不是说我声明了这句话以后所有tensorflow的初始值全都初始化，而是说当我声明完了我所有需要的变量的时候，比如我声明完了神经网络里面所有的权值，这个时候我再来进行run initialize，然后再进行计算

三、占位符

tensorflow有一点比较特别的地方，就是会用到占位符。所谓占位符，placeholder，就是说我在声明网络结构的时候，并不知道输入的数据有多少组，所以就先用占位符，具体的写法是这样的

input = tf.placeholder( tf.float32, [ None, 100 ] )
1

这里面的None就是指，不限定输入的tensor是多少维的

四、提供向量机制

当我们需要像我们设计的神经网络当中输入数据的时候，我们就需要使用tensorflow的feed_dict机制

sess.run( trainstep, feed_dict = input_layer: x_batches )
1

这里x_batches就是我们输入的图片数据的变量名，inputlayer就是我们定义的神经网络的输入层名，通过这种方式来灵活的分离输入的图像和神经网络的结构，不管是训练还是预测都可以使用相同的结构

五、tensorflow当中常用的一些函数

tf.reduce_mean( value )
tf.reduce_sum( value )
1
2

这里的reduce就是python中的reduce一样的意思，求这个向量的和和均值

tf.argmax( value, axis = axis )
1

这个和numpy里面的argmax是一样的，获取最大值的下标，只是在tensorflow里面这个函数的轴是要显式声明的

1

trainstep = tf.train.GradientDescentOptimizer(0.01).minimize( cost )
1

这是tensorflow当中的优化器，以0.01为步长来优化cost，tensorflow当中还自带了很多的优化器，使用起来非常方便，我们之后会尽量做详细的介绍

好啦！！有了这篇讲的知识，我们就可以去尝试着做一个简单的demo啦，在下篇文章当中我们向大家来介绍怎么用tensorflow来写一个简单的CNN来识别手写数字