DL2-TensorFlow2.0编程基础

import tensorflow as tf
tf.__version__

'2.0.0'

tf.__path__

['C:\\Users\\PC\\Anaconda3\\lib\\site-packages\\tensorflow']

1、Tensor张量

node1 = tf.constant([[3.0,1.5],[2.5,6.0]],tf.float32)
node2 = tf.constant([[4.0,1.0],[4.5,4.0]],tf.float32)
node3 = tf.add(node1,node2)

node3#输出一个Tensor张量

<tf.Tensor: id=2, shape=(2, 2), dtype=float32, numpy=
array([[ 7. ,  2.5],
       [ 7. , 10. ]], dtype=float32)>

node1#输出一个Tensor张量

<tf.Tensor: id=0, shape=(2, 2), dtype=float32, numpy=
array([[3. , 1.5],
       [2.5, 6. ]], dtype=float32)>

# 输出运算结果Tensor的值
print(node3.numpy())

[[ 7.   2.5]
 [ 7.  10. ]]

2、TensorFlow的基本概念

(1) TensorFlow 名称的含义

TensorFlow = Tensor + Flow

Tensor 张量

数据结构：多维数组

Flow 流

计算模型：张量之间通过计算而转换的过程

TensorFlow是一个通过 计算图的形式表述计算的编程系统

每一个计算都是计算图上的一个节点

节点之间的边描述了计算之间的关系

(2)张量的概念

在TensorFlow中，所有的数据都通过张量的形式来表示

从功能的角度，张量可以简单理解为多维数组

零阶张量表示 标量（scalar），也就是 一个数；

一阶张量为 向量（vector），也就是 一维数组；

n 阶张量可以理解为一个n n 维数组；

张量并没有真正保存数字，它 保存的是计算过程

(3)张量方法和属性

标识号（ id ）

系统自动维护的唯一值

形状（ shape ）

张量的维度信息

类型 （ dtype ）

每一个张量会有一个唯一的类型,TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

值 （ value ）

通过numpy()方法获取，返回Numpy.array类型的数据

print(node3.shape)
print(node3.dtype)

(2, 2)
<dtype: 'float32'>

(4)张量的形状

三个术语描述张量的维度： 阶（rank）、 形状（shape） 、 维数（dimension number）

scalar = tf.constant(100)
vector = tf.constant([1,2,3,4,5])
matrix = tf.constant([[1,2,3], [4,5,6]])
cube_matrix = tf.constant([[[1],[2],[3]], [[4],[5],[6]], [[7],[8],[9]]])

print(scalar.shape)
print(vector.shape)
print(matrix.shape)
print(cube_matrix.get_shape())
#(D0,D1,…,Dn-1) 
#表中D0表示第0维元素的个数，Di表示Di维元素的个数

()
(5,)
(2, 3)
(3, 3, 1)

# 输出张量里某个元素的值
print(cube_matrix.numpy()[1])
print(cube_matrix.numpy()[1,2,0])

[[4]
 [5]
 [6]]
6

# 每一个张量会有一个唯一的类型,TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错
a = tf.constant([1,2])
b = tf.constant([1.0,2.0])
print(tf.add(a,b))  #运行报错

---------------------------------------------------------------------------

InvalidArgumentError                      Traceback (most recent call last)

<ipython-input-14-3e169da0c1ca> in <module>
      2 a = tf.constant([1,2])
      3 b = tf.constant([1.0,2.0])
----> 4 print(tf.add(a,b))


~\Anaconda3\lib\site-packages\tensorflow_core\python\ops\gen_math_ops.py in add(x, y, name)
    388       else:
    389         message = e.message
--> 390       _six.raise_from(_core._status_to_exception(e.code, message), None)
    391   # Add nodes to the TensorFlow graph.
    392   try:


~\Anaconda3\lib\site-packages\six.py in raise_from(value, from_value)


InvalidArgumentError: cannot compute Add as input #1(zero-based) was expected to be a int32 tensor but is a float tensor [Op:Add]

在TensorFlow中可以通过tf.cast()进行数据类型转换

a = tf.constant([1,2])
b = tf.constant([1.0,2.0])

a = tf.cast(a,tf.float32)   #数据类型转换
print(tf.add(a,b))  
print(tf.add(a,b).numpy())  

tf.Tensor([2. 4.], shape=(2,), dtype=float32)
[2. 4.]

3、TensorFlow2 的常量与变量

(1)常量constant

在运行过程中值不会改变的单元

创建语句：

tf.constant(

value,

dtype=None,

shape=None,

name=‘Const’

)

在创建常量时只有value值是必填的，dtype等参数可以缺省，会根据具体的value值设置相应的值

a = tf.constant([1,2])
a

<tf.Tensor: id=22, shape=(2,), dtype=int32, numpy=array([1, 2])>

b = tf.constant([1,2],tf.float32)
b

<tf.Tensor: id=24, shape=(2,), dtype=float32, numpy=array([1., 2.], dtype=float32)>

c = tf.constant([1,2,3,4,5,6],shape = [2,3])
c

<tf.Tensor: id=30, shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
       [4, 5, 6]])>

(2)变量Variable

在运行过程中值可以被改变的单元

创建语句：

注意V是 大写字母

tf.Variable (

initial_value,

dtype=None,

shape=None,

trainable =True

name=’Variable’

)

v1 = tf.Variable([1,2])
v2 = tf.Variable([3,4],tf.float32)
v1,v2
# v2的数据类型没有改变：变量在创建时必须确定初始值，可以像定义常量一样

(<tf.Variable 'Variable:0' shape=(2,) dtype=int32, numpy=array([1, 2])>,
 <tf.Variable 'Variable:0' shape=(2,) dtype=int32, numpy=array([3, 4])>)

# 也可以通过张量（常量）给变量赋初值
c = tf.constant(1)
v = tf.Variable(c)
c,v

(<tf.Tensor: id=64, shape=(), dtype=int32, numpy=1>,
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=1>)

在TensorFlow中变量和普通编程语言中的变量有着 较大 区别

TensorFlow中的变量是一种特殊的设计，是可以被机器优化过程中自动改变值的张量，也可以理解为 待优化的张量。

在TensorFlow中变量创建后， 一般无需人工进行赋值，系统会根据算法模型，在训练优化过程中 自动调整变量的值。

在变量的参数中，trainable参数用来表征当前变量是否需要被自动优化，创建变量对象时默认是启用自动优化标志。

(3)变量的赋值

与传统编程语言不同，TensorFlow中的变量定义后，一般 无需人工赋值，

系统会根据算法模型，训练优化过程中 自动调整变量对应的数值

后面在将机器学习模型训练时会更能体会，比如权重Weight变量w，经过多次迭代，会自动调整

特殊情况需要人工更新的，可用变量赋值语句assign()来实现

v = tf.Variable(5)
v.assign(v+1)
v

<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=6>

TensorFlow还直接提供了assign_add()、assign_sub()方法来实现变量的加法和减法值更新

v1 = tf.Variable(5)
v2 = tf.Variable(4)
v1.assign_add(v2)
v2.assign_sub(v1)
v1,v2

(<tf.Variable 'Variable:0' shape=() dtype=int32, numpy=9>,
 <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=-5>)

4、TensorFlow型 计算模型 – 计算图

(1)Tensorflow2的运行模式

TensorFlow 2 2代码的执行机制默认采用 Eager Execution（动态图执行机制）

TensorFlow 1.x版本代码的执行主要是基于传统的 Graph Execution（静态图执行）机制，存在着一定弊端，如入门门槛高、调试困难、灵活性差、无法使用 Python 原生控制语句等

静态图执行模式对于即时执行模式效率会更高，所以通常当模型开发调试完成，部署采用图执行模式会有更高运行效率。在TensorFlow 2里也支持已函数方式调用计算图。

TensorFlow 2 中执行或者开发TensorFlow 1.X代码，可以做如下处理：

1. 导入TensorFlow时使用 import tensorflow.compat.v1 as tf 代替import tensorflow as tf；

2. 执行tf.disable_eager_execution() 禁用TensorFlow 2默认的即时执行模式。

# 在TensorFlow2下执行TensorFlow 1.x版本代码
import tensorflow.compat.v1 as tf
tf.disable_eager_execution()
node1 = tf.constant(3.0,tf.float32,name="node1")
node2 = tf.constant(4.0,tf.float32,name="node1")
node3 = tf.add(node1,node2)
print(node3)

#由于是图执行模式，这时仅仅是建立了计算图，但它并没有执行

Tensor("Add_1:0", shape=(), dtype=float32)

node1,node2,node3

(<tf.Tensor 'node1_2:0' shape=() dtype=float32>,
 <tf.Tensor 'node1_3:0' shape=() dtype=float32>,
 <tf.Tensor 'Add_1:0' shape=() dtype=float32>)

# 执行计算图
sess = tf.Session() #建立对话并显示运行结果:分配资源
print("运行sess.run(node1)的结果：",sess.run(node1))
print("运行sess.run(node2)的结果：",sess.run(node2))
print("运行sess.run(node3)的结果：",sess.run(node3))
sess.close()# 关闭资源

运行sess.run(node1)的结果： 3.0
运行sess.run(node2)的结果： 4.0
运行sess.run(node3)的结果： 7.0