TensorFlow笔记

NumPy数组

TensorFlow和Numpy的dtype属性是完全一致的，TensorFlow可以从NumPy中完美导入字符串数组，但不能在NumPy中显式指定dtype的属性。
将张量的某一维的值指定为None，可使该维具有可变长度。而将形状指定为None，可使该张量拥有任意维数，且每一维具有任意长度。

Graph对象

应创建新的数据流图将默认的数据流图忽略，或者获取默认数据流图的句柄并使用，而不是将默认数据流图和创建的数据流图混合使用。

Session对象

tf.Session()接受三个可选参数：target，graph，config。
Target是执行引擎，用于分布式设置。
graph指定加载的Graph对象，默认值None，表示当前默认的数据流图。当有多个数据流图时，应显式传入Graph对象，而不是在with语句块内创建Session对象。
config是所需选项。

Session.run()方法接受一个参数fetches，以及三个可选参数feed_dict、options、run_metadata。fetches可为Tensor对象（返回NumPy数组）或神经元（返回None），也可以是变量的列表（返回对应值的列表）
feed_dict一般用于占位符的添加输入或规模较大数据流图的部分测试（不用重新计算一遍）

Session使用方法：

sess = tf.Session()
...
sess.close()

or

with tf.Session() as sess:
   ...

placeholder占位符

feed_dict为字典对象
调用tf.placeholder()时，dtype是必须指定的，shape参数和name标识符是可选的。

Variable对象

Saver对象

保存模型

#模型定义...
#创建Saver对象
saver = tf.train.Saver

with tf.Session() as sess:
    #训练...
   saver.saver(sess, 'my-model', global_step=training_steps)
   sess.close()

恢复模型

with tf.Session() as sess:
   #验证之前是否已经保存了检查点文件
   ckpt = tf.train.get_checkpoint_state(os.path.dirname(__file__))
   if ckpt and ckpt.model_checkpoint_path:
      #从检查点恢复模型
      saver.restore(sess, ckpt.model_checkpoint_path)
      initial_step = int(ckpt.model_checkpoint_path.replit('-', 1)[1])

CNN

简单CNN架构包含卷积层（tf.nn.conv2d）、非线性变换层（tf.nn.relu）、池化层（tf.nn.max_pool）和全连接层（tf.nn.matmul）。