TensorFlow-基础

TensorFlow是谷歌开发的一款基于数据流的开源机器学习框架。它包含完备支持向量机、全连接神经网络、k-近邻、随机森林等算法，并且提供了可视化的工具——TensorBoard帮助用户更好地理解和调试机器学习模型。

TensorFlow的核心是计算图（computational graph），它描述了一个机器学习模型各个节点（operations）之间的计算关系。构建图形是TensorFlow中最重要的概念之一，因为它让您的计算更高效。

安装

在安装TensorFlow之前，在您的机器上必须先安装以下软件：

• Python（2.7或3.5+版本）
• pip（Python包管理工具）

通过pip我们可以很方便地安装TensorFlow，只需在终端中输入以下命令即可：

pip install tensorflow

如果您使用的是GPU版TensorFlow，您还需要安装CUDA和cuDNN库。

入门示例

以下是TensorFlow中最经典的“Hello, World!”示例：

import tensorflow as tf

# 创建一个常量张量
hello = tf.constant('Hello, TensorFlow!')

# 创建一个TensorFlow会话
sess = tf.Session()

# 输出我们创建的张量
print(sess.run(hello))

程序输出：

b'Hello, TensorFlow!'

这个示例展示了一些TensorFlow的基础概念，包括张量（Tensor）、会话（Session）和操作（Operation）。更深入的内容将在接下来的部分中进行介绍。

张量

在TensorFlow中，张量（Tensor）是任意维度的数组。它是计算图中节点之间的基本单位。当您定义一个机器学习模型时，您会定义许多张量。例如，您的输入数据、权重和偏差都是张量。

import tensorflow as tf

# 创建一个标量张量
scalar = tf.constant(1)

# 创建一个向量张量
vector = tf.constant([1, 2, 3, 4, 5])

# 创建一个矩阵张量
matrix = tf.constant([[1, 2], [3, 4]])

# 创建一个三维张量
tensor_3d = tf.constant([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

您可以使用tf.rank()函数查看张量的秩：

assert tf.rank(scalar).eval(session=sess) == 0
assert tf.rank(vector).eval(session=sess) == 1
assert tf.rank(matrix).eval(session=sess) == 2
assert tf.rank(tensor_3d).eval(session=sess) == 3

变量

在TensorFlow中，变量（Variable）是可训练的张量，可以在训练过程中被更新。在训练神经网络时，权重和偏差都是变量。

import tensorflow as tf

# 创建一个初始值为零的变量
zero_var = tf.Variable(tf.zeros([2, 3]))

# 创建一个初始值为随机数的变量
rand_var = tf.Variable(tf.random_uniform([2, 3]))

变量在使用之前需要先初始化：

import tensorflow as tf

# 创建一个变量
var = tf.Variable(0, name="my_var")

# 初始化变量
init = tf.global_variables_initializer()
sess.run(init)

初始化变量后，我们可以使用assign()方法为变量赋值：

import tensorflow as tf

# 创建一个变量
var = tf.Variable(0, name="my_var")

# 初始化变量
init = tf.global_variables_initializer()
sess.run(init)

# 为变量赋值
sess.run(var.assign(42))

# 输出变量的值
print(sess.run(var))

占位符

在TensorFlow中，占位符（Placeholder）是在构建图形时可以填充的张量。在训练神经网络时，通常会将训练数据和标签作为占位符。

import tensorflow as tf

# 创建两个占位符
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)

# 创建一个操作将x、y相加
sum = tf.add(x, y)

# 执行操作并传入占位符的值
print(sess.run(sum, feed_dict={x: 2.0, y: 3.0}))

执行上面的代码将输出5.0。