TensorFlow基本計算單元與基本操作
- 2019 年 10 月 7 日
- 筆記
在學習深度學習等知識之前，首先得了解著名的框架TensorFlow裡面的一些基礎知識，下面首先看一下這個框架的一些基本用法。
import tensorflow as tf a = 3 # Python中普通的變數創建方式 # Create a variable. w = tf.Variable([[0.5, 1.0]]) # tensorflow創建變數方式 x = tf.Variable([[2.0], [1.0]]) y = tf.matmul(w, x) # 矩陣內積 變數的操作 print(y) # tensor 裡面沒有具體的值 # variables have to be explicitly initialized before you can run Ops # 初始化全局變數 w，x，y init_op = tf.global_variables_initializer() # 計算圖 with tf.Session() as sess: sess.run(init_op) print(y.eval()) # 通過這種方式列印具體的值
得到的結果是：
Tensor("MatMul_2:0", shape=(1, 1), dtype=float32) [[2.]]
通過上面可以看出，只是簡單的一個矩陣的乘法，我們就寫了這麼多的程式碼，看起來比較麻煩，但是沒有辦法，要用這個框架就必須按照它的用法去用，但是在用這個框架來寫深度學習裡面的程式碼，那就不是很複雜了。上面的程式碼展示了TensorFlow框架的基本用法，導入庫、變數定義、初始化變數、Session操作、然後才能進行具體的操作。
下面學習一下TensorFlow框架中一些函數的用法，可以和numpy庫中的一些函數對比著學習。
from numpy import int32 # float32 在TensorFlow最好使用這種格式 # 創建都是0的矩陣 tf.zeros([3, 4], int32) # ==> [[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]] tensor = tf.constant([[1, 2, 3], [4, 5, 6]]) # 矩陣格式相似 tf.zeros_like(tensor) # ==> [[0, 0, 0], [0, 0, 0]] # 矩陣元素都為1 tf.ones([2, 3], int32) # ==> [[1, 1, 1], [1, 1, 1]] tf.ones_like(tensor) # ==> [[1, 1, 1], [1, 1, 1]] # Constant 1-D Tensor populated with value list. # 創建一個常量，必須使用這種方式 tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) # => [1 2 3 4 5 6 7] # Constant 2-D tensor populated with scalar value -1. # 創建二維矩陣常量 tensor = tf.constant(-1.0, shape=[2, 3]) # => [[-1. -1. -1.] # [-1. -1. -1.]] # 創建間隔矩陣 tf.linspace(10.0, 12.0, 3, name="linspace") # => [ 10.0 11.0 12.0] # 'start' is 3 # 'limit' is 18 # 'delta' is 3 # tf.range(start, limit, delta) tf.range(3, 18, 3)# ==> [3, 6, 9, 12, 15]
可以看出TensorFlow裡面一些函數和numpy裡面的用法差不多，下面看看TensorFlow中隨機數的一些用法。
# 高斯分布的均值矩陣 指定均值和方差 norm = tf.random_normal([2, 3], mean=-1, stddev=4) # Shuffle the first dimension of a tensor c = tf.constant([[1, 2], [3, 4], [5, 6]]) # shuffle操作 shuff = tf.random_shuffle(c) # Each time we run these ops, different results are generated # 要執行這些操作的方法。推薦使用上面With結構 sess = tf.Session() print(sess.run(norm)) print(sess.run(shuff))
運行得到的結果是
[[-2.4004993 5.356218 0.51297414] [-4.353016 2.234075 -4.2948236 ]] [[1 2] [3 4] [5 6]]
下面來看一個使用TensorFlow完成列印0到4之間的數字這樣的一個小栗子，在原生Python中很簡單，主要看看在TensorFlow中的用法。
# 列印0到4之間的的值 state = tf.Variable(0) # 初始化常量0 new_value = tf.add(state, tf.constant(1)) # 執行加1操作 update = tf.assign(state, new_value) # 將new_value賦給state # Session計算塊 with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(state)) for _ in range(3): sess.run(update) print(sess.run(state))
得到的結果是
0 1 2 3
下面再來看看在創建變數時將numpy裡面的格式轉換為tensor格式，但是並不推薦使用這種方法
import numpy as np a = np.zeros((3,3)) # 將numpy裡面的格式轉換為tensor格式，並不推薦使用這種方法 # 推薦使用上面創建變數的方法 ta = tf.convert_to_tensor(a) with tf.Session() as sess: print(sess.run(ta))
得到的結果是
[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]]
下面再來看看TensorFlow中佔位符的用法
# 創建佔位符，用的時候再具體賦值。 input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) output = tf.multiply(input1, input2) # 矩陣元素相乘 with tf.Session() as sess: print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
得到的結果是
[array([14.], dtype=float32)]
總結，這篇博文包含了TensorFlow框架中一些常見的用法，但是肯定很多細節沒有寫全，只是寫了一些大概的用法留作以後查看。
