声明

---

机缘巧合下，如雷贯耳了TensorFlow框架。略览后欣喜，遂决心深入研究。文章是本人在自研人工智能的道路上，通过阅读、视频、博客等形式记录的所见所闻。介于小白鼠属性满格，难免漏洞，请诸位大神不吝赐教，也请其他小白不要纠结。若涉及侵权，烦请告知，必删；若阅完有点滴心得，定窃喜不枉辛劳。

计算机自发明以来，一直扮演人类祖先的角色：以自我为中心（计算密集型，涉及CPU计算、GPU计算等，比如TensorFlow），疯狂攫取外界资源（IO密集型——涉及HTTP请求、磁盘操作等，比如Django、Scrapy）。直至现今，疯狂到想让电脑直接变成人脑。哎，技术无罪，有罪的是掌握技术的人。为什么要写这段呢，因为我也不知道。

TensorFlow简单三步骤：使用 tensor 表示数据；使用图 (graph) 来表示计算任务；在会话（session)中运行图。TensorFlow字面意思是由Tensor（张量）和Flow（流）组成。实际上还包括：
1、Operation，专门运算的操作节点；
2、Graph图，整个程序的结构，包括输入，输入的流向，输出等；
3、Session会话，专门用于运行程序所建立的图。

TensorFlow分为前端系统和后端系统，前端系统（Tensor、Operation、Graph）负责定义程序的图的结构，后端系统（Session）负责运算图的结构。TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图。在执行阶段，使用会话执行执行图中的op。

---

Tensor

张量，重要概念。类型是对numpy的ndarray类型的封装，类似于数组；阶，类似于数组的维。张量有如下属性：operation、name、shape（0维表示为()，1维表示为(2)，2维表示为(?,2)）、graph。在TensorFlow中，有很多操作张量的函数，有生成张量、创建随机张量、张量类型与形状变换和张量的切片与运算。

tf.zeros(shape, dtype=tf.float32, name=None)
创建所有元素设置为零的张量。此操作返回一个dtype具有形状shape和所有元素设置为零的类型的张量。

tf.zeros_like(tensor, dtype=None, name=None)
给tensor定单张量（），此操作返回tensor与所有元素设置为零相同的类型和形状的张量。

tf.ones(shape, dtype=tf.float32, name=None)
创建一个所有元素设置为1的张量。此操作返回一个类型的张量，dtype形状shape和所有元素设置为1。

tf.ones_like(tensor, dtype=None, name=None)
给tensor定单张量（），此操作返回tensor与所有元素设置为1 相同的类型和形状的张量。

tf.fill(dims, value, name=None)
创建一个填充了标量值的张量。此操作创建一个张量的形状dims并填充它value。

tf.constant(value, dtype=None, shape=None, name='Const')
创建一个常数张量。

tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
从截断的正态分布中输出随机值，和 tf.random_normal() 一样，但是所有数字都不超过两个标准差

tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
从正态分布中输出随机值，由随机正态分布的数字组成的矩阵

tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)
从均匀分布输出随机值。生成的值遵循该范围内的均匀分布 [minval, maxval)。下限minval包含在范围内，而maxval排除上限。

tf.random_shuffle(value, seed=None, name=None)
沿其第一维度随机打乱

tf.set_random_seed(seed)
设置图级随机种子

tf.string_to_number(string_tensor, out_type=None, name=None)
将输入Tensor中的每个字符串转换为指定的数字类型。注意，int32溢出导致错误，而浮点溢出导致舍入值

tf.shape(input, name=None)
返回张量的形状

tf.squeeze(input, squeeze_dims=None, name=None)
这个函数的作用是将input中维度是1的那一维去掉。但是如果你不想把维度是1的全部去掉，那么你可以使用squeeze_dims参数，来指定需要去掉的位置

tf.expand_dims(input, dim, name=None)
该函数作用与squeeze相反,添加一个指定维度

张量频繁用到的操作是形状的改变，即维度的变化（一维变二维，或者两列变三列）。涉及静态改变形状和动态改变形状。

静态形状的改变指：不改变维度，只改变维度中的行列数；一旦张量形状固定，不能再次进行修改。
动态形状的改变指改变维度。动态形状和静态形状的区别：有没有生成一个新的张量。两种形状的改变都不能改变张量的总大小。

如果你定义了一个没有标明具体维度的占位符，即用None表示维度，那么当你将值输入到占位符时，这些无维度就是一个具体的值，并且任何一个依赖这个占位符的变量，都将使用这个值。

注意：
1、转换静态形状的时候，1-D到1-D，2-D到2-D，不能跨阶数改变形状；
2、对于已经固定或者设置静态形状的张量／变量，不能再次设置静态形状；
3、tf.reshape()动态创建新张量时，元素个数不能不匹配；
4、运行时候，动态获取张量的形状值，只能通过tf.shape(tensor)[]。

Operation

只要使用TensorFlow框架的API定义的函数都是Operation，Tensor也是Operation，指代的是数据。

Graph

图由整个程序构造，可用系统默认的图，也可自定义。一个Session只能运行一个图。

Session

相当于中间件，对上解析并运行定义的图结构，对下分配CPU或者GPU资源进行计算，掌握资源（变量、队列、线程等）。如果不与图绑定，那会话使用默认的图。

Session可能返回错误：RuntimeError、TypeError、ValueError。

Feed机制

将某些特殊的操作指定为"feed"操作，标记的方法是使用 tf.placeholder() 为这些操作创建占位符，并且在Session.run方法中增加一个feed_dict参数。突然感觉灭霸还是个心细的紫叔叔，让矮人族打造无限手套的时候特意留了六个位置，因为他知道，早晚要用到这六个位置，跟TensorFlow里的占位符简直异曲同工。如果没有正确提供feed参数，placeholder() 操作将会产生错误。

tf.placeholder(tf.float32, [None, 3])# 行数不固定，列数固定
run(fetches, feed_dict = None, graph = None)：训练模型时实时提供数据进行训练，用placeholder占位符和feed_dict结合使用

---

举个栗子

import tensorflow as tf
import os
# 忽略不必要的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 创建一张图包含Operation和Tensor，两个图之间互不干扰
g = tf.Graph()
with g.as_default():
    c = tf.constant(11.0)
    print(g)
    print(c.graph)
# 实现一个加法运算，定义两个Tensor和一个Operation
a = tf.constant(5.0)
b = tf.constant(6.0)
sum = tf.add(a, b)
# 不是Operation不能运行，但是有重载机制，默认会给运算符重载成op类型（var + a可执行）
# var = 2
# 默认的图，相当于给程序分配内存
graph = tf.get_default_graph()
print(graph)
# 一个会话只能运行一个图，可在会话中指定图运行
# 上下文管理器with默认会释放资源
with tf.Session(graph=graph) as sess:
    print(sum) # Tensor("Add:0", shape=(), dtype=float32)，分别为op名字，张量形状，张量数据类型
    print(a.graph)
    print(sum.graph)
    print(sess.graph)
    print(sess.run(sum)) # run()执行图
# 静态形状和动态形状
# 对于静态形状而言，一旦张量形状固定，不能再次进行修改
# 动态形状可新增一个，进行修改，但是元素数量要相同
# 如果需要维度修改，必须用动态形状修改
plt = tf.placeholder(tf.float32, [None, 2])
print(plt)
plt.set_shape([3, 2])
print(plt)
# plt.set_shape([4, 2]) # 不能修改
plt_reshape = tf.reshape(plt, [1, 6])
print(plt_reshape)
with tf.Session() as sess:
    pass
# 变量op
# 1、变量op可持久化保存，普通张量op不能
# 2、当定义一个变量op时，一定要在会话中取运行初始化
# 3、name参数在tensorboard中使用显示，防止冲突
a = tf.constant([1, 2, 3, 4, 5], name="a")
var = tf.Variable(tf.random_normal([1, 2], mean=0, stddev=1.0))
print(a, var)
# 必须做一步显示的初始化op
init_op = tf.global_variables_initializer()
with tf.Session() as s:
    s.run(init_op)
    # 把程序的图结构写入事件，把指定的图写入事件中
    filewriter = tf.summary.FileWriter("./summary", graph=s.graph)
    print(s.run([a, var]))