深度学习|费解的tensorflow

学过Python的小伙伴都会觉得，python的语法简单，逻辑清晰。虽然tensorflow是python的一个库（并不是标准库），但是使用并不简单，你可能会被tensorflow的奇怪语法设计困惑，所以本文章叫做费解的tensorflow，希望通过本文，读者可以更好的了解tensorflow。

编程必备hello world

学习任何编程语言，可能上来都是打印输出下hello world，用python很简单，我们一行代码就可以了。

print('hello world')

就算是先定义为变量，我们也只是需要2行代码。

a = 'hello world'print(a)

那我们用tensorflow来写，需要3行，代码不是很多，但是看上去就是很费解。

a = tf.constant('hello world')
sess = tf.Session()print(sess.run(a))

那我们就以这个简单代码，来看看tensorflow的语法。

计算图

如果把上面代码抽象出来，其实就是建立计算图和运行计算图的完整过程。当然读者就会问，什么是计算图？其本质就是全局数据结构：是一个有向图，用于捕获有关如何计算的指令。概念还是比较生硬，图那我就以流程图为例，流程中的方框（节点）就是我们tensorflow的定义的数据，箭头就是计算指令。

例如，下面代码，我们就定义了一个常量，在计算图中就是给了他一个位置，他就是一个节点。打印输出其说明：

• tensorflow张量

• 零维

• 数据类型

a = tf.constant(2)print(a)# Tensor("Const:0", shape=(), dtype=int32)

通过下面代码就可以算是完整的计算图（有节点和计算）。

two_node = tf.constant(2)
three_node = tf.constant(3)
sum_node = two_node + three_node

会话

前面说到了是建立计算图，接着我们就要执行计算图，这样代码才能运行。这里就要提到一个新概念，会话。会话的作用是处理内存分配和优化，使我们能够实际执行由计算图指定的计算。简单说，建立计算图，通过会话，然后运行计算图。

这就是为什么tensorflow代码都有这个代码的原因了。

sess = tf.Session()
sess.run()

回到hello world

我们重新在来看下hello world的代码。

a = tf.constant('hello world')
sess = tf.Session()print(sess.run(a))# hello world

• 第一行，我们建立计算图，这里我们是通过tf.constant来定义的，其为常量。

• 建立会话

• 运行计算图

占位符（placeholder）

前面的程序，我们没有输入，这样就是只会输出同样的东西。在python中，我们可以通过iput输入数据。

在tf中，我们需要先定义占位符，然后用feed_dict方法传入数据，代码如下：

a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
c = a + bwith tf.Session() as sess:
    print(sess.run([a,b,c],feed_dict={a:5,b:8}))# [array(5), array(8), 13]

变量

前面，我们用tf.constant定义了常量，用占位符（placeholder）用于输入，最后我们看看变量的定义。

说变量之前，我们再来看看tensorflow这个单词，其实他是分为tensor（张量）和flow（流）。变量在tensorflow就是张量的意思。
这里我们定义一个一维张量：

a = tf.Variable([0.2,0.4,0.5])

接着如果我们建立会话，运行程序会报错。我们需要初始化变量，这里我们不讲解底层的原因，我们只需要记住，用到变量加上下面的代码初始化即可。

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)print(sess.run(a))# [0.2 0.4 0.5]

tensorboard

最后，我们可视化下我们的计算图。

a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
c = a * bwith tf.Session() as sess:
    print(sess.run([a,b,c],feed_dict={a:5,b:8}))
    writer = tf.summary.FileWriter('log/test1',sess.graph)
writer.close()

接着我们打开代码所在环境，输入一下代码。

tensorboard --logdir=G:\我的Python项目\深度学习\deeplearn\log\test1

在浏览器中输入http://localhost:6006

作者：罗罗攀
链接：https://www.jianshu.com/p/7b302aceffe3