如何将TensorFlow用作计算框架

你可以使用以下命令使用pip安装Tensorflow：

或者如果你有一个GPU：

请注意，如果要安装GPU版本，则需要安装CUDA和cuDNN。

撰写本文时，Tensorflow（v1.3）支持CUDA 8和CUDNN 6。

安装Tensorflow后，你可以使用以下方法验证所有操作是否正常：

有关详细信息，请参阅安装页面（https://www.tensorflow.org/install/?spm=5176.100239.blogcont230077.16.BGjh5J ）。

我们已经讨论过Tensorflow是否是张量的流动，但是我们没有详细介绍。为了更好地证明架构的正确性，我们将详细阐述这个问题。

三种类型的张量

在Tensorflow中，有三种主要的张量类型：

• tf.Variable

• tf.constant

• tf.placeholder 

看一看其中的每一个，讨论它们之间的差异，以及何时使用这些，是值得的。

tf.Variable

tf.Variable张量是最直接的基本张量，并且在很多方面类似于纯Python变量，因为它的值是很好的变量。

变量在整个会话控制期间保留其值，因此在定义可学习的参数（如神经网络中的权重）或其他任何将随代码运行而改变的参数时很有用。

你可以按如下方式定义一个变量：

在这里，我们创建一个具有初始状态[1,2,3]和名称a的张量变量。 请注意，Tensorflow无法继承Python变量名称，因此，如果要在图形上有一个名称（稍后将会有更多的名称），则需要指定一个名称。

还有几个选项，但这只是为了涵盖基础知识。与这里讨论的任何事情一样，你可以在文档页面上阅读更多信息。

tf.constant

tf.Constant与tf.Variable非常相似，有一个主要区别，它们是不可变的，就是值是恒定的。

tf.Variable张量的用法如下：

当你有一个不通过代码执行改变的值，例如表示数据的某些属性，或者在使用神经网络来存储学习速率时，就使用这个。

tf.placeholder

最后，我们解释tf.placeholder张量。 顾名思义，该张量类型用于定义您没有初始值的变量或图形节点（操作）。然后，你可以延迟设置值，直到实际使用sess.run进行计算。这在定义网络时可用作培训数据的代理。

运行操作时，需要传递占位符的实际数据。是这样做的：

请注意，我们先通过元素类型（这里是tf.int32）的非可选参数来定义占位符，然后使用矩阵维符号定义形状。 [1,2]表示具有1行和2列的矩阵。 如果你没有研究线性代数，这可能看起来很混乱：为什么表示宽度之前的高度？并且不是[1,2] a 1乘以2的矩阵本身的值1和2？

这些是有效的问题，但深入的答案超出了本文的范围。 然而，告诉你它的要点，奇怪的符号形式显然有一些很整齐的记忆特性的矩阵运算，[ 1,2 ]也可以被看作是一个由两个矩阵本身。Tensorflow使用像符号这样的列表，因为它支持n维矩阵，因此非常方便，我们将在后面看到。

你可以在这里找到支持Tensorflow数据类型的完整列表。

当我们用sess.run评估c的值时，我们使用feed_dict传入实际的数据。 请注意，我们使用Python变量名称，而不是给予Tensorflow图形的名称来定位占位符。 同样的方法也扩展到多个占位符，其中每个变量名映射到相同名称的字典键。

有时候，当你定义时，你不知道一些，或者一个占位符的整个形状。例如，你可以在训练时使用变量批量大小，这是通配符进入的地方。

通配符基本上允许你说“我不知道”给Tensorflow，并且让它从传入张量推断形状。

-1和None有什么区别？

老实说，我试图弄清楚这个的答案，但是我没有找到任何记录的差异，而在Tensorflow的源代码中我挖掘的小部分也没有产生任何结果。 但是，我遇到了一些例子，其中一个会引发错误，而另一个则不会。

在这两个中，None似乎对我来说使用更好，所以我一直使用，如果我收到与占位符大小相关的错误，我尝试将其更改为-1，但我觉得它们应该是等价的。

为什么不只是通配符？！

具有明确的形状可以帮助调试，因为很多错误将被捕获在“编译时间”，而不是在训练的时候，这使你更快地发现错误，并且它确保错误不会默默地爬行（至少它尝试了）。

所以为了避免以后的麻烦，你应该只使用通配符来描述一些变量，如输入大小，而不是一些静态的，如网络参数大小。

了解了变量如何工作，我们现在可以看看如何创建更复杂的交互。

Tensorflow中的图形包含互连操作（ops）。OP本质上是一个函数，即任何需要输入并产生某些输出的函数。正如我们之前讨论过的，Tensorflow的默认数据类型是张量，所以操作可以说是进行张量操作。

看一个非常基本的例子，乘以两个标量，可以这样做：

请注意，当我们打印结果时，我们得到另一个Tensor，而不是实际结果。另外，请注意，变量具有shape（），这是因为标量是零维张量。最后，因为我们没有指定一个名字，所以我们得到名字'Variable_4：0'和'Variable_5：0'，这意味着它们在图形0上是变量4和5。

要获得实际结果，我们必须在会话的上下文中计算值。 这可以这样做：

你也可以使用tf.InteractiveSession，如果你使用像IDLE或者jupyter笔记本这类的，这很有用。 此外，还可以通过声明sess = tf.Session（）来开始一个会话控制，然后使用sess.close（）关闭它，但是我不建议这样做，因为很容易忘记关闭会话会话控制， 使用此方法作为交互式会话可能对性能会有影响，因为Tensorflow真的喜欢占用尽可能多的资源（在这方面有点像Chrome）。

我们首先创建一个向Tensorflow发出信号的会话，我们要开始进行实际的计算。 在幕后，Tensorflow做了一些事情; 它选择一个设备来执行计算（默认情况下是你的第一个CPU），并初始化计算图。 虽然你可以使用多个图，但通常建议仅使用一个，因为不通过Python（我们建立的是慢的），两个图形之间的数据无法发送。即使你有多个断开连接的部件也是如此。

接下来我们初始化变量。 为什么在开始会话时不能这样做，我不知道，但它填充了图中变量的值，所以我们可以在我们的计算中使用它们。 这是这些小烦恼之一，你必须记住每次你想要计算的东西。

你可能记得，Tensorflow真的很懒，想尽可能少做。因此，你必须明确告诉Tensorflow来初始化变量。

了解更多细节可能是有用的，因为了解如何以及为什么选择Tensorflow非常重要。

Tensorflow喜欢延长计算时间。 它是这样做的，因为Python很慢，所以它想要在Python之外运行计算。 通常，我们使用诸如numpy之类的库来实现这一点，但是在Python和优化的库之间传输数据（如numpy）是非常昂贵的。

Tensorflow通过首先使用Python定义一个图而不做任何计算，然后将所有数据发送到Python之外的图形，使用高效的GPU库（CUDA）可以运行。 这样，将数据传输所花的时间保持在最低限度。

因此，Tensorflow只需要计算实际需要的图形部分。当你运行操作来发现计算所依赖的所有依赖项时，它通过网络传播回来，并且仅计算它们。它忽略了网络的其余部分。

请思考以下代码：