使用TensorFlow的基本步驟

tensorflow是一個可用于構建機器學習模型的平臺，但其實它的用途很廣泛。它是一種基于圖表的通用計算框架，可用來編寫你能想出的任何東西。事實上tensorflow.org的API頁面中提供了可在代碼中使用的低級tensorflow運算的完整列表。貢獻者們還添加了多個可以讓我們輕松的執行常見任務的高級框架。

下圖顯示了 TensorFlow 工具包的當前層次結構：

下表總結了不同層的用途：

TensorFlow 由以下兩個組件組成：

• 圖協議緩沖區
• 執行（分布式）圖的運行時

這兩個組件類似于 Java 編譯器和 JVM。正如 JVM 會實施在多個硬件平臺（CPU 和 GPU）上一樣，TensorFlow 也是如此。較高級別的抽象層更易于使用，但（設計方面）不夠靈活。如果您希望在某些特殊建模方面能夠更加靈活一些，則可以降低一個級別。請注意，每個級別都是使用低級 API 構建的，因此降低層次結構級別應該比較直觀。

tf.estimator API

tf.estimator 與 scikit-learn API 兼容。 scikit-learn 是極其熱門的 Python 開放源代碼機器學習庫，擁有超過 10 萬名用戶，其中包括許多 Google 員工。在學習如何使用tensorflow之前先了解一下Pandas。Pandas 是用于進行數據分析和建模的重要庫，廣泛應用于 TensorFlow 編碼。

Tensorflow編程概念

學習目標：

• 學習 TensorFlow 編程模型的基礎知識，重點了解以下概念：

  • 張量
  • 指令
  • 圖
  • 會話
• 構建一個簡單的 TensorFlow 程序，使用該程序繪制一個默認圖并創建一個運行該圖的會話

概念概覽

TensorFlow 的名稱源自張量，張量是任意維度的數組。借助 TensorFlow，您可以操控具有大量維度的張量。即便如此，在大多數情況下，您會使用以下一個或多個低維張量：

• 標量是零維數組（零階張量）。例如，\'Howdy\' 或 5
• 矢量是一維數組（一階張量）。例如，[2, 3, 5, 7, 11] 或 [5]
• 矩陣是二維數組（二階張量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令會創建、銷毀和操控張量。典型 TensorFlow 程序中的大多數代碼行都是指令。

TensorFlow 圖（也稱為計算圖或數據流圖）是一種圖數據結構。很多 TensorFlow 程序由單個圖構成，但是 TensorFlow 程序可以選擇創建多個圖。圖的節點是指令；圖的邊是張量。張量流經圖，在每個節點由一個指令操控。一個指令的輸出張量通常會變成后續指令的輸入張量。TensorFlow 會實現延遲執行模型，意味著系統僅會根據相關節點的需求在需要時計算節點。

張量可以作為常量或變量存儲在圖中。您可能已經猜到，常量存儲的是值不會發生更改的張量，而變量存儲的是值會發生更改的張量。不過，您可能沒有猜到的是，常量和變量都只是圖中的一種指令。常量是始終會返回同一張量值的指令。變量是會返回分配給它的任何張量的指令。

要定義常量，請使用 tf.constant 指令，并傳入它的值。例如：

  x = tf.constant([5.2])

同樣，您可以創建如下變量：

  y = tf.Variable([5])

或者，您也可以先創建變量，然后再如下所示地分配一個值（注意：您始終需要指定一個默認值）：

  y = tf.Variable([0])
  y = y.assign([5])

定義一些常量或變量后，您可以將它們與其他指令（如 tf.add）結合使用。在評估 tf.add 指令時，它會調用您的 tf.constant 或 tf.Variable 指令，以獲取它們的值，然后返回一個包含這些值之和的新張量。

圖必須在 TensorFlow 會話中運行，會話存儲了它所運行的圖的狀態：

將 tf.Session() 作為會話：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 時，您必須在會話開始時調用 tf.global_variables_initializer，以明確初始化這些變量，如上所示。

注意：會話可以將圖分發到多個機器上執行（假設程序在某個分布式計算框架上運行）。有關詳情，請參閱分布式 TensorFlow。

總結

TensorFlow 編程本質上是一個兩步流程：

1. 將常量、變量和指令整合到一個圖中。
2. 在一個會話中評估這些常量、變量和指令。

創建一個簡單的Tensorflow程序

import tensorflow as tf

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")


  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    print sum.eval()