TensorFlow

发表于

提供者：胡紫娟

1.简单介绍

1.1 TensorFlow名字的由来

  1. TensorFlow是Google开源的一款人工智能学习系统。
  2. Tensor的意思是张量，代表N维数组；Flow的意思是流，代表基于数据流图的计算。
  3. 把N维数字从流图的一端流动到另一端的过程，就是人工智能神经网络进行分析和处理的过程。

1.2 TensorFlow安装

  1. 系统win7
  2. 安装Python，我这里下载的是版本3.5.2，下载地址
  3. 安装Eclipse，下载地址，导入pydev插件
  4. cmd下pip install tensorflow,导入TensorFlow模块

注意： 安装的时候有可能出现各种问题，要特别留意安装版本问题，以及环境变量的配置。

1.3 TensorFlow学习过程

对于计算机专业来说，学习任何新的工具，一定要以官方文档为主，网上各种教程为辅。
以下为个人的学习过程（代码放在个人GitHub上）

  1. 基础入门： 我这里看的是中文的官方文档链接
  2. 简单练手项目：Mnist手写识别练习——GitHub地址
  3. TensorBoard练手项目：LSTM循环神经网络——GitHub地址

2.TensorFlow基础知识

2.1 张量Tensor

在TensorFlow框架中，所有的数据都表示为张量Tensor,可以看成矩阵、数组、列表，在不同的编程系统中这几种数据类型都很类似。区别是，在TensorFlow深度学习框架中的Tensor,通常都是高维度的数据。

2.2 计算图Graph

TensorFlow 是一个编程系统, 使用图Graph来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 batch, height, width, channels。
计算图可接受的数据除张量Tenser外，还可接受numpy中的数据对象矩阵ndarray

2.3 会话Session

当我们建立好计算图之后，其实这只是一个计算框架，数据并没有传进来。我们需要启动一个会话Session，一个session其实可以启动多张计算图Graph，在这个会话中，我们可以传入数据，访问图中任何一个节点。

2.4 feed_fetch机制

启动会话Session后的赋值和访问节点操作。
feed机制，为已经构建好的计算图中的占位符placeholder节点传入数据。
fetch机制，要获取计算图中的节点op的值，可以通过fetch方式

3.简单练习

有了以上TensorFlow的基础知识后，我们便可以简单启动一个小程序了。

1
2
3
4
5
6
7
8
9
10
11
import tensorflow as tf
#构建计算图——3个节点
input1 = tf.placeholder(tf.float32) # 占位符
input2 = tf.constant(2.) #常量
output = tf.add(input1, input2) #加法操作
#启动会话
with tf.Session() as sess:
  print( sess.run([output], feed_dict={input1:[7.]}))#feed机制向placeholder传数据

# 输出:
# [array([9.], dtype=float32)]
[array([ 9.], dtype=float32)]

4 相关paper

Comparative Study of Deep Learning Software Frameworks
TF.Learn: TensorFlow's High-level Module for Distributed Machine Learning
TensorFlow: Large-Scale Machine Learning on Heterogeneous Distributed Systems