TensorFlow基础

一、计算图模型

1.定义

2.计算

(1) Session会话的四种方式（包括选用device）

sess = tf.Session() #需要sess.close()

with tf.Session() as sess: #不需要手动关闭sess

with tf.Session().as_default(): #计算变量时可以直接使用var.eval()，其实其他的方式也可以这么用，好像没啥用

sess = tf.InteractiveSession() #用于交互式环境，就不需要像上两种那样带“:"的还要写成程序块的形式

在开了Session之后可以选择用哪一个CPU或者GPU来运行它，with tf.device("/gpu:2")

(2)计算的两种方式

sess.run(a)

a.eval()

需要打印的话要在外面套上print，print(sess.run(a)), print(a.eval())

二、Tensor

1.可以看作多维数组，有三个属性构成：

Name：Name的值表示的是该张量来自于第几个输出结果（编号从0开始），“mul_3:0”说明是第一个结果的输出。

Shape

Type：tf.float32, tf.int8, tf.complex64, tf.string, tf.bool...

2.参与运算的张量类型相一致，否则会出现类型不匹配的错误

三、常量tf.constant

1.函数constant有五个参数，分别为value，name，dtype，shape和verify_shape，其中value为必选参数。

2.某些常见常量的初始化，如：tf.zeros、tf.ones、tf.fill、tf.linspace、tf.range等，详见https://www.tensorflow.org/api_guides/python/constant_op

3.随机生成常量，如：tf.random_normal()、tf.truncated_normal()、tf.random_uniform()、tf.random_shuffle()等，详见https://www.tensorflow.org/api_guides/python/constant_op

四、变量tf.Variable

1.变量的使用包括创建、初始化、保存、加载等操作。

2.变量在计算前必须初始化，有三种初始化方式：tf.global_variables_initializer(), tf.variables_initializer(), initializer

TensorFlow基础

（图片来自磐创）

3.保存：tf.train.Saver().save(sess,"train/model.ckpt")，可以用global_step编号

4.加载：tf.train.Saver().restore(sess,modelfile_path)，modelfile_path可以是自动寻找最新的checkpoint文件tf.train.latestcheckpoint('train/')

五、占位符（placeholder)、feed、fetch

placeholder：设置好传入参数的模板，有dtype、shape和name三个参数构成，dtype是必填参数。

feed：传参给placeholder，sess.run(a, feed_dict={placeholder_name1: value1, placeholder_name2: value2})

fetch: 一次性计算多个op并返回，a_,b_ = sess.run([a,b])