【AI實戰】快速掌握Tensorflow（一）：基本操作原

Tensorflow是Google開源的深度學習框架，來自於Google Brain研究項目，在Google第一代分佈式機器學習框架DistBelief的基礎上發展起來。Tensorflow於2015年11月在GitHub上開源，在2016年4月補充了分佈式版本，最新版本爲1.10，2018年下半年將發佈Tensorflow 2.0預覽版。Tensorflow目前仍處於快速開發迭代中，不斷推出新功能和優化性能，現已成爲當今世界上最受歡迎的開源機器學習框架，是學習研究AI的必備神器。

接下來，將推出“快速掌握Tensorflow”的系列文章，帶你快速入門掌握Tensorflow。

1、Tensorflow是什麼？
Tensorflow是當前最流行的深度學習框架，它既是一個實現深度學習算法的接口，也是執行深度學習算法的框架。Tensorflow前端支持Python、C++、Java、Go等語言，後端使用C++、CUDA等寫成，可在衆多系統上運行，包括Windows、Mac、Linux、Android、IOS等。
Tensorflow的官方網址爲 http://www.tensorflow.org
Tensorflow的GitHub網址爲 https://github.com/tensorflow/tensorflow

2、Tensorflow有什麼特點？
Tensorflow最主要的特點是使用數據流圖（data flow graphs）進行數值計算，由節點（Nodes）和邊（Edges）組成，其中，節點（Nodes）表示數據操作，邊（Edges）表示節點間相互通信的多維數組，這種在邊與邊之間流動（flow）的數據也被稱爲張量（tensor），故而得名Tensorflow。如下圖所示：

【注意】在深度學習裏面，數據流圖都是自下往上的，逐層遞進，而平常普通流程圖大多是自上往下呈現，剛開始看數據流圖會可能有些不太習慣

Tensorflow不是一個嚴格的“神經網絡”庫，不只是用於深度學習，只要能將計算模型表示爲數據流圖形式，就可以使用Tensorflow進行計算。

3、安裝Tensorflow
在【AI實戰】系列文章中，已經介紹過了AI基礎環境搭建：Ubuntu + Anaconda + Tensorflow + GPU + PyCharm，在此就不再贅述。詳見文章：AI基礎環境搭建。
本系列文章的代碼均基於Python 3.6和Tensorflow 1.10。

4、Hello World
程序員從“Hello World”開始。在安裝好Tensorflow之後，寫個Hello World試試安裝是否成功。代碼如下：

import tensorflow as tf
hello=tf.constant(‘Hello, TensorFlow!’)
sess=tf.Session()
print(sess.run(hello))

如果成功輸出“Hello,TensorFlow!”，則表明TensorFlow安裝成功。

從這個Hello World代碼可以看出，
（1）要使用tensorflow，先要導入tensorflow庫，使用import tensorflow導入，一般會簡寫爲tf
（2）要執行tensorflow，先要創建Session（會話）。Session是用戶使用tensorflow時的交互接口，用以創建計算圖，然後通過Session的run方法執行計算圖。

5、學會基本操作
TensorFlow的數據流圖由節點（Nodes）和邊（Edges）組成，下面從節點（操作）和邊（張量）來介紹TensorFlow的基本操作。
（1）張量
張量是TensorFlow的主要數據結構，用於操作計算圖。
一個張量（Tensor）可以簡單地理解爲任意維的數組，張量的秩表示其維度數量。張量的秩不同，名稱也不相同。
a、標量：維度爲0的Tensor，也就是一個實數
b、向量：維度爲1的Tensor
c、矩陣：維度爲2的Tensor
d、張量：維度達到及超過3的Tensor

創建張量有以下主要4種方法：
a、創建固定張量
創建常數張量：
constant_ts=tf.constant([1,2,3,4,5])

創建零張量：
zero_ts=tf.zeros([row_dim, col_dim])

創建單位張量：
ones_ts=tf.ones([row_dim,col_dim])

創建張量，並用常數填充：
filled_ts=tf.fill([row_dim,col_dim],123)

b、創建相似形狀張量
創建相似的零張量：
zeros_like=tf.zeros_like(constant_ts)

創建相似的單位張量：
ones_like=tf.ones_like(constant_ts)

c、創建序列張量
指定起止範圍
linear_ts=tf.linspace(start=0, stop=2, num=6)
結果返回[0.0,0.4,0.8,1.2,1.6,2.0]，注意該結果包括stop值

指定增量
seq_ts=tf.range(start=4, limit=16, delta=4)
結果返回[4,8,12]，注意該結果不包括stop值

d、隨機張量
生成均勻分佈的隨機數
randunif_ts=tf.random_uniform([row_dim,col_dim],minval=0,maxval=1)
結果返回從minval（包含）到maxval（不包含）的均勻分佈的隨機數

生成正態分佈的隨機數
randnorm_ts=tf.random_normal([row_dim,col_dim],mean=0.0,stddev=1.0)
其中mean表示平均值，stddev表示標準差

（2）佔位符和變量
佔位符和變量是使用TensorFlow計算圖的關鍵工具，兩者是有區別的
a、變量：是TensorFlow算法中的參數，通過調整這些變量的狀態來優化模型算法；
b、佔位符：是TensorFlow對象，用於表示輸入輸出數據的格式，允許傳入指定類型和形狀的數據。

創建變量
通過tf.Variable()函數封裝張量來創建變量，例如：
my_var=tf.Variable(tf.zeros([row_dim,col_dim]))

【注意】聲明變量後需要進行初始化才能使用，最常使用以下函數一次性初始化所有變量，使用方式如下：
init_op=tf.global_variables_initializer()

創建佔位符
佔位符僅僅是聲明數據位置，也即先佔個位，後面在會話中通過feed_dict傳入具體的數據。示例代碼如下：

a=tf.placeholder(tf.float32,shape=[1,2])
b=tf.placeholder(tf.float32,shape=[1,2])
adder_node=a+b   #這裏的“+”是tf.add(a,b)的簡潔表達
print(sess.run(adder_node,feed_dict={a:[2,4],b:[5.2,8]}))

輸出結果爲[7.2 12]

（3）操作
TensorFlow張量的加、減、乘、除、取模的基本操作是：add()、sub()、mul()、div()、mod()。例如：

a=tf.placeholder(tf.float32,shape=[1,2])
b=tf.placeholder(tf.float32,shape=[1,2])
adder_node=tf.add(a,b)
print(sess.run(adder_node,feed_dict={a:[2,4],b:[5.2,8]}))

輸出結果爲[7.2 12]

其中，乘法、除法有比較特殊之處，如果是要對浮點數進行整除，則使用floordiv()；如果是要計算兩個張量間的點積，則使用cross()。
下面列出常用的數學函數列表：

通過以上的簡單介紹，相信你已瞭解了TensorFlow的特點和基本的操作方式，接下來，我們將結合案例繼續深入介紹TensorFlow，敬請期待！

推薦相關閱讀

【AI實戰】快速掌握Tensorflow（一）：基本操作原

【AI實戰】動手實現人臉識別程序原

大話CNN經典模型：GoogLeNet（從Inception v1到v4的演進）原薦

大話目標檢測經典模型：Mark R-CNN 原薦

大話CNN經典模型：VGGNet 原薦

在Jupyter Notebook中增加Python內核原

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

【AI實戰】快速掌握Tensorflow（一）：基本操作 原

【AI實戰】快速掌握Tensorflow（一）：基本操作原