Tensorflow
Tensorflow简介
TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。
Tensorflow安装
Tensorflow分为CPU与GPU两个版本，可以使用如下命令安装Tensorflow。
pip install tensorflow（CPU版本）
pip install tensorflow-gpu(GPU版本)
安装之后，在程序中就可以通过import导入使用，按照管理，我们重命名为tf。
import tensorflow as tf
可以通过如下的方式查看tenforflow的版本：
tf.__version__
import tensorflow as tf # 查看tensorflow的版本。注意：当前tensorflow不支持Python3.7。 tf.__version__
计算方式
Tensorflow是通过数据流图完成计算的。Tensorflow的名称就是Tensor + flow。
Tensor就是张量，张量是深度学习中表示数据的标准方式。简单的说，张量就是多维数组。
flow就是数据的流动，是张量从一端流动到另外一端的过程。
图是由节点与边连接构成，在Tensorflow中，节点表示操作，边表示张量对象（张量的流动）。
官方案例演示
http://playground.tensorflow.org
第一个程序
使用tensorflow的常量编写第一个tensorflow程序Hello world，并观察与以前Python程序有何不同之处。
# Python版本 # s = "Hello" # s2 = " World" # s3 = s + s2 # print(s3) # tensorflow # 创建tensorflow中的常量。 s = tf.constant("Hello", name="s") s2 = tf.constant(" World", name="s2") # s3 = s + s2 s3 = tf.add(s, s2, name="my_add") print(s) print(s2) print(s3) # tensorflow与Python的计算规则不同，我们输出相关的变量（张量），并不能够得到计算的结果。 # tensorflow是基于计算图的，我们创建的张量会加入到计算图当中。我们对张量执行的操作（加，减，乘，除等） # 并没有产生真正的计算，而是仅仅描述计算规则而已。
图
在Tensorflow中，当我们期望计算时，实际上，并没有执行真正的计算，而是把这些计算操作添加到图当中。而计算图在稍后才会执行（图只是用来描述了计算的规则，而并没有产生真正的计算）。
简单说，使用Tensorflow包含两个步骤：
- 构建图
- 执行图
思考：为什么要使用图的概念，而不是直接进行像Python那样执行计算？
图的创建
当我们引入tensorflow时，一个空的默认图就已经创建完成了。我们后续创建的节点都会关联到该默认图上。当然，我们也可以自己创建图，然后关联相关的节点。
说明：
- 可以通过操作对象的graph属性来获取操作所属的图。
- 可以使用with与as_default来切换默认图。
- 不同图中定义的操作，不能进行运算。
- Tensorflow对类型的要求非常严格，不同类型之间无法进行运算。
# 当我们引入tensorflow时，就会创建一个默认图。 # import tensorflow as tf # 获取默认图。 g = tf.get_default_graph() # 当我们创建张量，执行操作时，就会自动加入到默认图当中。 a = tf.constant(100) # 通过张量的graph属性，可以获取张量所属的图。 # print(a.graph is g) # 我们也可以去创建自己的图，而不是使用默认图。 my_graph = tf.Graph() # 我们可以通过上下文管理器来设置默认图。 # as_default()返回上下文管理器对象，我们可以与with结合使用。 # 在__enter__方法中，会将当前的图（调用as_default方法的图）设置为默认图。 # 在__exit__方法中，会将默认图恢复成修改之前的图。 with my_graph.as_default(): # with上下文中，my_graph就是默认图。 # print(my_graph is tf.get_default_graph()) # 我们在with上下文中，创建的张量，加入到了my_graph图中。 b = tf.constant(200) print(b.graph is my_graph) # print(my_graph is g) # print(my_graph is tf.get_default_graph()) # 不在同一个图的节点不能进行计算。 # 错误！ # a + b # 在Python中，不同的类型也可能进行计算。例如：int与float， int与bool。 # 但是，Tensorflow的计算对类型要求非常严格，只要不是同一个类型，就不能进行计算。 c = tf.constant(1, dtype=tf.int32) d = tf.constant(2, dtype=tf.int64) # 错误。只要不是同一个类型，就不能进行计算。（int32与int64也不可以。） # c + d
a = 1 b = 2.3 a + b
### 图的运行 我们可以通过创建Session对象，来运行图（获取数据）。Session对象在使用之后需要进行关闭，我们可以使用with来简化关闭的操作。 我们也可以创建交互式会话（InteractiveSession）。二者之间的差别在于：交互式会话相当于设置了默认的Session。在进行求值时，无需显式指定。
变量与占位符
变量与占位符也是张量Tensor类型。
- 占位符表示其值由用户进行传递，通常用来存储样本数据与标签。
- 变量在计算过程中，可以改变其值，通常用来存储模型的参数。
说明：
- 变量必须要初始化后才能使用。
- 占位符的数据，需要使用实际值进行填充。
变量的作用域
在我们使用tf.Variable定义变量时，每次执行，就会创建一个新的变量。有时，我们可能并不总是想创建新的变量，而是可以复用已经创建的变量。这样，就可以实现变量共享。
通过tf.variable_scope方法可以创建变量作用域，通过该作用域获取变量时，会进行检查。因此，我们就能够控制创建变量或者复用已经存在（创建好）的变量。
说明:
- 通过变量作用域，就可以避免意外创建或者共享变量。
- 使用reuse参数来控制获取变量的行为。该参数的意义如下：
- 默认为获取新变量，当变量已经存在时，出错。
- tf.AUTO_REUSE 当变量不存在时，创建变量，存在时，复用已经创建的变量。
- true 复用变量，当变量不存在时出错。
- 底层会使用作用域名/变量名:0的方式来标记变量。
程序示例
- 使用Tensorflow实现一元线性回归。
y=0.5∗x+0.4 - 使用Tensorflow实现二元线性回归。
y=0.5∗x1+0.3∗x2+0.4
