TensorFlow学习笔记2——数据类型及简单运算

0. 小试牛刀

首先，激活tensorflow环境（ source activate tensorflow ），随后在ipython里：

import tensorflow as tf
sess = tf.Session()

创建常量格式如下：

tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)

例1：

node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0)
print(sess.run([node1, node2]))

    输出：

[3.0, 4.0]

例2：

a = tf.constant([2, 2], name="vector")
print(sess.run(a))

    输出：

[2 2]

拓展：http://web.stanford.edu/class/cs20si/lectures/notes_02.pdf

1. 张量（Tensor）

1.1 基本概念

在TensorFlow里，张量这种数据类型用来表示一切数据，我们可以把它看成n维数组或列表。我们通常用Ranks, Shapes, and Types来描述张量。

(a) Ranks

Ranks用来表示张量的维度。

 

(b) Shape

Shape也用来表示维度，下表展示了Shape和Rank的联系。

(c) Data types

1.2 常量 (Constants)

0. 小试牛刀里便是创建常量形式的张量，这个比较简单，就参见本文的第0节吧！如果想了解更多，就请点击第0节拓展里的链接。

1.3 变量 (Variables)

变量这个就有点小小复杂了。。。。

Anyway，Let's go！！！

1.3.1 创建

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
                      name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")

创建张量时需要指明张量的Shape，当然，TensorFlow存在更改Shape的机制（这个嘛，以后再聊）

仅仅是创建完还不行哦，还需要初始化！

1.3.2 初始化

初始化的命令为： tf.global_variables_initializer() 

# Create two variables.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
                      name="weights")
biases = tf.Variable(tf.zeros([200]), name="biases")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Later, when launching the model
with tf.Session() as sess:
  # Run the init operation.
  sess.run(init_op)
  ...
  # Use the model
  ...

 tf.global_variables_initializer() 是并行地初始化所有变量，那么，如果我们只是想初始化所有变量的某个子集该怎么办呢？使用 tf.variables_initializer() ！

废话少说，上例子：

a = tf.Variable(2, name="scalar")
b = tf.Variable([2, 3], name="vector")
init_ab = tf.variables_initializer([a, b], name="init_ab")

with tf.Session() as sess:
    sess.run(init_ab)

 当然，你也可以利用 tf.Variable.initializer 一个一个地初始化变量。

# create variable W as 784 x 10 tensor, filled with zeros
W = tf.Variable(tf.zeros([784,10]))
with tf.Session() as sess:
    sess.run(W.initializer)
    print(W)
    print(W.eval())

输出：

<tf.Variable 'Variable:0' shape=(784, 10) dtype=float32_ref>
[[ 0.  0.  0. ...,  0.  0.  0.]
 [ 0.  0.  0. ...,  0.  0.  0.]
 [ 0.  0.  0. ...,  0.  0.  0.]
 ..., 
 [ 0.  0.  0. ...,  0.  0.  0.]
 [ 0.  0.  0. ...,  0.  0.  0.]
 [ 0.  0.  0. ...,  0.  0.  0.]]

你有时候会需要用另一个变量的初始化值给当前变量初始化。由于  tf.initialize_all_variables()  是并行地初始化所有变量,所以在有这种需求的情况下需要小心。

用其它变量的值初始化一个新的变量时,可以使用其它变量的 initialized_value() 属性。你可以直接把已初始化的值作为新变量的初始值,或者把它当做 tensor 计算得到一个值赋予新变量。

# Create a variable with a random value.
weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35),
                      name="weights")
# Create another variable with the same value as 'weights'.
w2 = tf.Variable(weights.initialized_value(), name="w2")
# Create another variable with twice the value of 'weights'
w_twice = tf.Variable(weights.initialized_value() * 2.0, name="w_twice")

1.3.3 保存和恢复变量

通常我们训练完一个网络后，需要保存的是训练后得到的参数变量，于是，一个问题出现了——如何保存变量呢？

最简单的保存和恢复模型的方法是使用 tf.train.Saver 对象。请看例子：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add an op to initialize the variables.
init_op = tf.global_variables_initializer()

# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, initialize the variables, do some work, save the
# variables to disk.
with tf.Session() as sess:
  sess.run(init_op)
  # Do some work with the model.
  ..
  # Save the variables to disk.
  save_path = saver.save(sess, "/tmp/model.ckpt")
  print("Model saved in file: %s" % save_path)

1.3.4 恢复变量

用同一个 Saver 对象来恢复变量。注意, 当你从文件中恢复变量时, 不需要事先对它们做初始化。请看例子：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore all the variables.
saver = tf.train.Saver()

# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:
  # Restore variables from disk.
  saver.restore(sess, "/tmp/model.ckpt")
  print("Model restored.")
  # Do some work with the model
  ...

注意啦！注意啦！用 tf.train.Saver() 创建的 Saver 是用来管理模型中的所有变量。More details？OK！如果你不给 tf.train.Saver() 传入任何参数,那么 saver 将处理 graph 中的所有变量。其中每一个变量都以变量创建时传入的名称被保存。

你可以通过给 tf.train.Saver() 构造函数传入 Python 字典,很容易地定义需要保持的变量及对应名称:键对应使用的名称,值对应被管理的变量。

太抽象？ok，看例子：

# Create some variables.
v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
...
# Add ops to save and restore only 'v2' using the name "my_v2"
saver = tf.train.Saver({"my_v2": v2})
# Use the saver object normally after that.
...

so easy！！！isn't it ？

2. 简单数学运算

a = tf.constant([3, 6])
b = tf.constant([2, 2])
tf.add(a, b) # >> [5 8]
tf.add_n([a, b, b]) # >> [7 10]. Equivalent to a + b + b
tf.multiply(a, b) # >> [6 12] because mul is element wise Attention：tf.mul已经在新版本中被移除，请使用 tf.multiply 代替
tf.matmul(a, b) # >> ValueError
tf.matmul(tf.reshape(a, shape=[1, 2]), tf.reshape(b, shape=[2, 1])) # >> [[18]]
tf.div(a, b) # >> [1 3]
tf.mod(a, b) # >> [1 0]