前邊的章節(jié)介紹了什么是Tensorflow，本節(jié)將帶大家真正走進(jìn)Tensorflow的世界，學(xué)習(xí)Tensorflow一些基本的操作及使用方法。同時也歡迎大家關(guān)注我們的網(wǎng)站和系列教程：http://www.tensorflownews.com/，學(xué)習(xí)更多的機器學(xué)習(xí)、深度學(xué)習(xí)的知識！

Tensorflow是一種計算圖模型，即用圖的形式來表示運算過程的一種模型。Tensorflow程序一般分為圖的構(gòu)建和圖的執(zhí)行兩個階段。圖的構(gòu)建階段也稱為圖的定義階段，該過程會在圖模型中定義所需的運算，每次運算的的結(jié)果以及原始的輸入數(shù)據(jù)都可稱為一個節(jié)點（operation ，縮寫為op）。我們通過以下程序來說明圖的構(gòu)建過程：

程序2-1：

程序2-1定義了圖的構(gòu)建過程，“import tensorflow as tf”，是在python中導(dǎo)入tensorflow模塊,并另起名為“tf”；接著定義了兩個常量op，m1和m2，均為1*2的矩陣；最后將m1和m2的值作為輸入創(chuàng)建一個矩陣加法op，并輸出最后的結(jié)果result。

我們分析最終的輸出結(jié)果可知，其并沒有輸出矩陣相加的結(jié)果，而是輸出了一個包含三個屬性的Tensor(Tensor的概念我們會在下一節(jié)中詳細(xì)講解，這里就不再贅述)。

以上過程便是圖模型的構(gòu)建階段：只在圖中定義所需要的運算，而沒有去執(zhí)行運算。我們可以用圖2-1來表示：

圖2-1 圖的構(gòu)建階段

第二個階段為圖的執(zhí)行階段，也就是在會話（session）中執(zhí)行圖模型中定義好的運算。

?

我們通過程序2-2來解釋圖的執(zhí)行階段：

程序2-2：

?

程序2-2描述了圖的執(zhí)行過程，首先通過“tf.session()”啟動默認(rèn)圖模型，再調(diào)用run()方法啟動、運行圖模型，傳入上述參數(shù)result，執(zhí)行矩陣的加法，并打印出相加的結(jié)果，最后在任務(wù)完成時，要記得調(diào)用close()方法，關(guān)閉會話。

除了上述的session寫法外，我們更建議大家，把session寫成如程序2-4所示“with”代碼塊的形式，這樣就無需顯示的調(diào)用close釋放資源，而是自動地關(guān)閉會話。

程序2-3：

此外，我們還可以利用CPU或GPU等計算資源分布式執(zhí)行圖的運算過程。一般我們無需顯示的指定計算資源，Tensorflow可以自動地進(jìn)行識別，如果檢測到我們的GPU環(huán)境，會優(yōu)先的利用GPU環(huán)境執(zhí)行我們的程序。但如果我們的計算機中有多于一個可用的GPU，這就需要我們手動的指派GPU去執(zhí)行特定的op。如下程序2-4所示，Tensorflow中使用with...device語句來指定GPU或CPU資源執(zhí)行操作。

程序2-4：

?

上述程序中的“tf.device(“/gpu:2”)”是指定了第二個GPU資源來運行下面的op。依次類推，我們還可以通過“/gpu:3”、“/gpu:4”、“/gpu:5”...來指定第N個GPU執(zhí)行操作。

關(guān)于GPU的具體使用方法，我們會在下面的章節(jié)結(jié)合案例的形式具體描述。

Tensorflow中還提供了默認(rèn)會話的機制，如程序2-5所示，我們通過調(diào)用函數(shù)as_default()生成默認(rèn)會話。

程序2-5：

我們可以看到程序2-5和程序2-2有相同的輸出結(jié)果。我們在啟動默認(rèn)會話后，可以通過調(diào)用eval()函數(shù)，直接輸出變量的內(nèi)容。

有時，我們需要在Jupyter或IPython等python交互式環(huán)境開發(fā)。Tensorflow為了滿足用戶的這一需求，提供了一種專門針對交互式環(huán)境開發(fā)的方法InteractiveSession(),具體用法如程序2-6所示：

程序2-6：

程序2-6就是交互式環(huán)境中經(jīng)常會使用的InteractiveSession()方法，其創(chuàng)建sess對象后，可以直接輸出運算結(jié)果。

綜上所述，我們介紹了Tensorflow的核心概念——計算圖模型，以及定義圖模型和運行圖模型的幾種方式。接下來，我們思考一個問題，為什么Tensorflow要使用圖模型？圖模型有什么優(yōu)勢呢？

首先，圖模型的最大好處是節(jié)約系統(tǒng)開銷，提高資源的利用率，可以更加高效的進(jìn)行運算。因為我們在圖的執(zhí)行階段，只需要運行我們需要的op,這樣就大大的提高了資源的利用率；其次，這種結(jié)構(gòu)有利于我們提取中間某些節(jié)點的結(jié)果，方便以后利用中間的節(jié)點去進(jìn)行其它運算；還有就是這種結(jié)構(gòu)對分布式運算更加友好，運算的過程可以分配給多個CPU或是GPU同時進(jìn)行，提高運算效率；最后，因為圖模型把運算分解成了很多個子環(huán)節(jié)，所以這種結(jié)構(gòu)也讓我們的求導(dǎo)變得更加方便。

2.3.2 Tensor介紹

Tensor（張量）是Tensorflow中最重要的數(shù)據(jù)結(jié)構(gòu)，用來表示Tensorflow程序中的所有數(shù)據(jù)。Tensor本是廣泛應(yīng)用在物理、數(shù)學(xué)領(lǐng)域中的一個物理量。那么在Tensorflow中該如何理解Tensor的概念呢？

實際上，我們可以把Tensor理解成N維矩陣（N維數(shù)組）。其中零維張量表示的是一個標(biāo)量，也就是一個數(shù)；一維張量表示的是一個向量，也可以看作是一個一維數(shù)組；二維張量表示的是一個矩陣；同理，N維張量也就是N維矩陣。

在計算圖模型中，操作間所傳遞的數(shù)據(jù)都可以看做是Tensor。那Tensor的結(jié)構(gòu)到底是怎樣的呢？我們可以通過程序2-7更深入的了解一下Tensor。

程序2-7：

程序2-7的輸出結(jié)果表明：構(gòu)建圖的運算過程輸出的結(jié)果是一個Tensor，且其主要由三個屬性構(gòu)成：Name、Shape和Type。Name代表的是張量的名字，也是張量的唯一標(biāo)識符，我們可以在每個op上添加name屬性來對節(jié)點進(jìn)行命名，Name的值表示的是該張量來自于第幾個輸出結(jié)果（編號從0開始），上例中的“mul_3:0”說明是第一個結(jié)果的輸出。Shape代表的是張量的維度，上例中shape的輸出結(jié)果(1,1)說明該張量result是一個二維數(shù)組，且每個維度數(shù)組的長度是1。最后一個屬性表示的是張量的類型，每個張量都會有唯一的類型，常見的張量類型如圖2-2所示。

圖2-2 常用的張量類型

我們需要注意的是要保證參與運算的張量類型相一致，否則會出現(xiàn)類型不匹配的錯誤。如程序2-8所示，當(dāng)參與運算的張量類型不同時，Tensorflow會報類型不匹配的錯誤：

?

程序2-8：

正如程序的報錯所示：m1是int32的數(shù)據(jù)類型，而m2是float32的數(shù)據(jù)類型，兩者的數(shù)據(jù)類型不匹配，所以發(fā)生了錯誤。所以我們在實際編程時，一定注意參與運算的張量數(shù)據(jù)類型要相同。

2.3.3 常量、變量及占位符

Tensorflow中對常量的初始化，不管是對數(shù)值、向量還是對矩陣的初始化，都是通過調(diào)用constant()函數(shù)實現(xiàn)的。因為constant()函數(shù)在Tensorflow中的使用非常頻繁，經(jīng)常被用于構(gòu)建圖模型中常量的定義，所以接下來，我們通過程序2-9了解一下constant()的相關(guān)屬性：
程序2-9：

如程序2-9所示，函數(shù)constant有五個參數(shù)，分別為value，name，dtype，shape和verify_shape。其中value為必選參數(shù)，其它均為可選參數(shù)。Value為常量的具體值，可以是一個數(shù)字，一維向量或是多維矩陣。Name是常量的名字，用于區(qū)別其它常量。Dtype是常量的類型，具體類型可參見圖2-2。Shape是指常量的維度，我們可以自行定義常量的維度。

verify_shape是驗證shape是否正確，默認(rèn)值為關(guān)閉狀態(tài)(False)。也就是說當(dāng)該參數(shù)true狀態(tài)時，就會檢測我們所寫的參數(shù)shape是否與value的真實shape一致，若不一致就會報TypeError錯誤。如：上例中的實際shape為(2,0)，若我們將參數(shù)中的shape屬性改為(2,1)，程序就會報如下錯誤：

TypeError: Expected Tensor's shape: (2, 1), got (2,).

Tensorflow還提供了一些常見常量的初始化，如：tf.zeros、tf.ones、tf.fill、tf.linspace、tf.range等，均可以快速初始化一些常量。例如：我們想要快速初始化N維全0的矩陣，我們可以利用tf.zeros進(jìn)行初始化，如程序2-10所示：

程序2-10：

程序2-10向我們展示了tf.zeros和tf.zeros_like的用法。其它常見常量的具體初始化用法可以參考Tensorflow官方手冊：https://www.tensorflow.org/api_guides/python/constant_op。

此外，Tensorflow還可以生成一些隨機的張量，方便快速初始化一些隨機值。如：tf.random_normal()、tf.truncated_normal()、tf.random_uniform()、tf.random_shuffle()等。如程序2-11所示，我們以tf.random_normal()為例，來看一下隨機張量的具體用法：

程序2-11：

隨機張量random_normal()有shape、mean、stddev、dtype、seed、name六個屬性。 shape是指張量的形狀，如上述程序是生成一個2行3列的tensor；mean是指正態(tài)分布的均值；stddev是指正太分布的標(biāo)準(zhǔn)差；dtype是指生成tensor的數(shù)據(jù)類型；seed是分發(fā)創(chuàng)建的一個隨機種子；而name是給生成的隨機張量命名。

Tensorflow中的其它隨機張量的具體使用方法和屬性介紹，可以參見Tensorflow官方手冊：https://www.tensorflow.org/api_guides/python/constant_op。這里將不在一一贅述。

除了常量constant()，變量variable()也是在Tensorflow中經(jīng)常會被用到的函數(shù)。變量的作用是保存和更新參數(shù)。執(zhí)行圖模型時，一定要對變量進(jìn)行初始化，經(jīng)過初始化后的變量才能拿來使用。變量的使用包括創(chuàng)建、初始化、保存、加載等操作。首先，我們通過程序2-12了解一下變量是如何被創(chuàng)建的：

程序2-12：

程序2-12展示了創(chuàng)建變量的多種方式。我們可以把函數(shù)variable()理解為構(gòu)造函數(shù)，構(gòu)造函數(shù)的使用需要初始值，而這個初始值是一個任何形狀、類型的Tensor。也就是說，我們

既可以通過創(chuàng)建數(shù)字變量、一維向量、二維矩陣初始化Tensor，也可以使用常量或是隨機常量初始化Tensor，來完成變量的創(chuàng)建。

當(dāng)我們完成了變量的創(chuàng)建，接下來，我們要對變量進(jìn)行初始化。變量在使用前一定要進(jìn)行初始化，且變量的初始化必須在模型的其它操作運行之前完成。通常，變量的初始化有三種方式，如程序2-13所示：

程序2-13：

程序2-13說明了初始化變量的三種方式：初始化全部變量、初始化變量的子集以及初始化單個變量。首先，global_variables_initializer()方法是不管全局有多少個變量，全部進(jìn)行初始化，是最簡單也是最常用的一種方式；variables_initializer()是初始化變量的子集，相比于全部初始化化的方式更加節(jié)約內(nèi)存；Variable()是初始化單個變量，函數(shù)的參數(shù)便是要初始化的變量內(nèi)容。通過上述的三種方式，我們便可以實現(xiàn)變量的初始化，放心的使用變量了。

我們經(jīng)常在訓(xùn)練模型后，希望保存訓(xùn)練的結(jié)果，以便下次再使用或是方便日后查看，這時就用到了Tensorflow變量的保存。變量的保存是通過tf.train.Saver()方法創(chuàng)建一個Saver管理器，來保存計算圖模型中的所有變量。具體代碼如程序2-14所示：

程序2-14：

我們要注意，我們的存儲文件save.ckpt是一個二進(jìn)制文件，Saver存儲器提供了向該二進(jìn)制文件保存變量和恢復(fù)變量的方法。保存變量的方法就是程序中的save()方法，保存的內(nèi)容是從變量名到tensor值的映射關(guān)系。完成該存儲操作后，會在對應(yīng)目錄下生成如圖2-3所示的文件：

圖2-3 保存變量生成的相應(yīng)文件

Saver提供了一個內(nèi)置的計數(shù)器自動為checkpoint文件編號。這就支持訓(xùn)練模型在任意步驟多次保存。此外，還可以通過global_step參數(shù)自行對保存文件進(jìn)行編號，例如：global_step=2，則保存變量的文件夾為model.ckpt-2。

?

那如何才能恢復(fù)變量呢？首先，我們要知道一定要用和保存變量相同的Saver對象來恢復(fù)變量。其次，不需要事先對變量進(jìn)行初始化。具體代碼如程序2-15所示：
程序2-15：

本程序示例中，我們要注意：變量的獲取是通過restore()方法，該方法有兩個參數(shù)，分別是session和獲取變量文件的位置。我們還可以通過latest_checkpoint()方法，獲取到該目錄下最近一次保存的模型。

以上就是對變量創(chuàng)建、初始化、保存、加載等操作的介紹。此外，還有一些與變量相關(guān)的重要函數(shù)，如：eval()等。

認(rèn)識了常量和變量，Tensorflow中還有一個非常重要的常用函數(shù)——placeholder。placeholder是一個數(shù)據(jù)初始化的容器，它與變量最大的不同在于placeholder定義的是一個模板，這樣我們就可以session運行階段，利用feed_dict的字典結(jié)構(gòu)給placeholder填充具體的內(nèi)容，而無需每次都提前定義好變量的值，大大提高了代碼的利用率。Placeholder的具體用法如程序2-16所示：

程序序2-16：

?

程序2-16演示了placeholder占位符的使用過程。Placeholder()方法有dtype，shape和name三個參數(shù)構(gòu)成。dtype是必填參數(shù)，代表傳入value的數(shù)據(jù)類型；shape是選填參數(shù)，代表傳入value的維度；name也是選填參數(shù)，代表傳入value的名字。我們可以把這三個參數(shù)看作為形參，在使用時傳入具體的常量值。這也是placeholder不同于常量的地方，它不可以直接拿來使用，而是需要用戶傳遞常數(shù)值。

最后，Tensorflow中還有一個重要的概念——fetch。Fetch的含義是指可以在一個會話中同時運行多個op。這就方便我們在實際的建模過程中，輸出一些中間的op，取回多個tensor。Fetch的具體用法如程序2-17所示：

程序2-17：

程序2-17展示了fetch的用法，即我們利用session的run()方法同時取回多個tensor值，方便我們查看運行過程中每一步op的輸出結(jié)果。

程序2-18：

小結(jié)：本節(jié)旨在讓大家學(xué)會Tensorflow的基礎(chǔ)知識，為后邊實戰(zhàn)的章節(jié)打下基礎(chǔ)。主要講了Tensorflow的核心——計算圖模型，如何定義圖模型和計算圖模型；還介紹了Tensor的概念，以及Tensorflow中的常量、變量、占位符、feed等知識點。大家都掌握了嗎？

最后，對深度學(xué)習(xí)感興趣，熱愛Tensorflow的小伙伴，歡迎關(guān)注我們的網(wǎng)站！http://www.tensorflownews.com

《新程序員》：云原生和全面數(shù)字化實踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的Tensorflow从入门到精通之——Tensorflow基本操作的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。