本文整理自知乎专栏，转载请征求原作者同意。
本文的全部代码都在原作者GitHub仓库 CS20SI是Stanford大学开设的基于Tensorflow的深度学习研究课程。TensorBoard可视化
安装TensorFlow的时候TensorBoard自动安装，使用writer=tf.summary.FileWriter('./graph',sess.graph)创建一个文件写入器,./graph是文件路径，sess.graph表示读入的图结构
import tensorflow as tfa = tf.constant(2)b = tf.constant(3)x = tf.add(a,b)with tf.Session() as sess: writer = tf.summary.FileWriter('./graphs',sess.graph) print(sess.run(x))writer.close() # close the writer when you're done using it 打开终端运行程序，输入tensorboard --logdir="./graphs"，在网页输入http://localhost:6006/，进入tensorboard
常数类型
创建一个常数：
tf.constant(value, dtype=None, shape=None, name='const', verify_shape=False)
比如建立一维向量和矩阵，然后相乘：
a = tf.constant([2,2], name='a')b = tf.constant([[0,1],[2,3]], name='b')x = tf.multiply(a, b, name='dot_production')with tf.Session() as sess: print(sess.run(x))>> [[0,2] [4,6]]
类似numpy的创建
特殊值常量创建：
tf.zeros(shape, dtype=tf.float32, name=None)tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)tf.ones(shape, dtype=tf.float32,name=None)tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)tf.fill([2,3],8)>> [[8,8,8],[8,8,8]]
序列创建：
tf.linspace(start, stop, num, name=None)tf.linspace(10.0, 13.0, 4)>> [10.0, 11.0, 12.0, 13.0]tf.range(start, limit=None, delta=1, dtyde=None, name='range')tf.range(3, limit=18, delta=3)>> [3,6,9,12,15]
与numpy不同，tf不能迭代，即
for _ in tf.range(4): #TypeError
产生随机数
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf目前与numpy数据类型通用:
tf.ones([2,2],np.float32)>> [[1.0,1.0],[1.0,1.0]]
变量
常量定义保存在计算图中，常量过多使得计算图加载缓慢。
a = tf.Variable(2, name='scalar')b = tf.Variable([2,3], name='vector')c = tf.Variable([[0,1][2,3]],name='matrix')w = tf.Variable(tf.zeros([784,10]),name='weight')
变量的几个操作
x = tf.Variable()x.initializer # 初始化x.eval() # 读取里面的值x.assign() #分配值给该变量
使用变量前必须初始化，初始化可以看作是一种变量的分配值操作
变量的初始化
一次性全部初始化：
init = tf.global_variables_initializer()with tf.Session() as sess: sess.run(init)
一部分初始化：
init_ab = tf.variables_initializer([a,b],name='init_ab')with tf.Session() as sess: sess.run(init_ab)
某个变量的初始化：
w = tf.Variables(tf.zeros([10,10]))with tf.Session() as sess: sess.run(w.initializer)
注意下面这个例程：
w = tf.Variable(10)w.assign(100)with tf.Session() as sess: sess.run(w.initializer) print(w.eval())>> 10
得到的答案是10而不是100的原因是：虽然定义了assign操作，但是tensorflow实在session中执行操作，所以我们需要执行assign操作：
w = tf.Variable(10)assign_op = w.assign(100)with tf.Session() as sess: sess.run(w.initializer) sess.run(assign_op) # 赋值作为运算 print(w.eval())>> 100
用变量定义变量
w = tf.Variable(tf.truncated_normal([700, 10]))u = tf.Variable(w * 2)
Session独立
tensorflow的session相互独立。
W = tf.Variable(10)sess1 = tf.Session()sess2 = tf.Session()sess1.run(W.initializer)sess2.run(W.initializer)print(sess1.run(W.assign_add(10))) # >> 20print(sess2.run(W.assign_sub(2))) # >> 8print(sess1.run(W.assign_add(100))) # >> 120print(sess2.run(W.assign_sub(50))) # >> -42sess1.close()sess2.close()
占位符(Placeholders)
tensorflow有两步，第一步定义图，第二步进行计算。对于图中暂时不知道值的量，可以定义为占位符，之后再用feed_dict赋值
定义占位符
tf.placeholder(dtype, shape=None, name=None)
最好指定shape，容易Debug
例程：
a = tf.placeholder(tf.float32, shape=[3])b = tf.constant([5, 5, 5], tf.float32)c = a + bwith tf.Session() as sess: print(sess.run(c, feed_dict={a: [1, 2, 3]})) 也可以给tensorflow的运算进行feed操作
a = tf.add(2, 3)b = tf.multiply(a, 3)with tf.Session() as sess: print(sess.run(b, feed_dict={a: 2}))>> 6 lazy loading
azy loading是指你推迟变量的创建直到你必须要使用他的时候。下面我们看看一般的loading和lazy loading的区别。
# normal loadingx = tf.Variable(10, name='x')y = tf.Variable(20, name='y')z = tf.add(x, y)with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for _ in range(10): sess.run(z)# lazy loadingx = tf.Variable(10, name='x')y = tf.Variable(20, name='y')with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for _ in range(10): sess.run(tf.add(x, y))
normal loading会在图中创建x和y变量，同时创建x+y运算，而lazy loading只会创建这两个变量：
- normal loading 在
session中不管做多少次x+y，只需要执行z定义的加法操作就可以了 - lazy loading在
session中每进行一次x+y，就会在图中创建一个加法操作，计算图就会多一个节点。严重影响图的读入速度。