Tensorflow |（1）初识Tensorflow
Tensorflow |（2）张量的阶和数据类型及张量操作
Tensorflow |（3）变量的的创建、初始化、保存和加载
Tensorflow |（4）名称域、图 和会话
变量作用域
tensorflow提供了变量作用域和共享变量这样的概念，有几个重要的作用。
让模型代码更加清晰，作用分明
变量作用域域
通过tf.variable_scope()创建指定名字的变量作用域
with tf.variable_scope("itcast") as scope: print("----")
加上with语句就可以在整个itcast变量作用域下就行操作。
嵌套使用
变量作用域可以嵌套使用
with tf.variable_scope("itcast") as itcast: with tf.variable_scope("python") as python: print("----")
变量作用域下的变量
在同一个变量作用域下，如果定义了两个相同名称的变量（这里先用tf.Variable()）会怎么样呢？
with tf.variable_scope("itcast") as scope: a = tf.Variable([1.0,2.0],name="a") b = tf.Variable([2.0,3.0],name="a")
我们通过tensoflow提供的计算图界面观察
我们发现取了同样的名字，其实tensorflow并没有当作同一个，而是另外又增加了一个a_1，来表示b的图
变量范围
当每次在一个变量作用域中创建变量的时候，会在变量的name前面加上变量作用域的名称
with tf.variable_scope("itcast"): a = tf.Variable(1.0,name="a") b = tf.get_variable("b", [1]) print(a.name,b.name)
得道结果
(u'itcast/a:0', u'itcast/b:0')
对于嵌套的变量作用域来说
with tf.variable_scope("itcast"): with tf.variable_scope("python"): python3 = tf.get_variable("python3", [1]) assert python3.name == "itcast/python/python3:0"
var2 = tf.get_variable("var",[3,4],initializer=tf.constant_initializer(0.0))
图与会话
图
tf.Graph
TensorFlow计算，表示为数据流图。一个图包含一组表示 tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象。默认Graph值始终注册，并可通过调用访问 tf.get_default_graph。
a = tf.constant(1.0) assert c.graph is tf.get_default_graph()
我们可以发现这两个图是一样的。那么如何创建一个图呢，通过tf.Graph()
g1= tf.Graph() g2= tf.Graph() with tf.Session() as sess: tf.global_variables_initializer().run() print(g1,g2,tf.get_default_graph())
图的其它属性和方法
作为一个图的类，自然会有一些图的属性和方法。
as_default()
返回一个上下文管理器，使其成为Graph默认图形。
如果要在同一过程中创建多个图形，则应使用此方法。为了方便起见，提供了一个全局默认图形，如果不明确地创建一个新的图形，所有操作都将添加到此图形中。使用该with关键字的方法来指定在块的范围内创建的操作应添加到此图形中。
g = tf.Graph() with g.as_default(): a = tf.constant(1.0) assert c.graph is g
会话
tf.Session
运行TensorFlow操作图的类，一个包含ops执行和tensor被评估
a = tf.constant(5.0) b = tf.constant(6.0) c = a * b sess = tf.Session() print(sess.run(c))
在开启会话的时候指定图
with tf.Session(graph=g) as sess:
资源释放
会话可能拥有很多资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。在不再需要这些资源时，重要的是释放这些资源。要做到这一点，既可以调用tf.Session.close会话中的方法，也可以使用会话作为上下文管理器。以下两个例子是等效的：
# 使用close手动关闭 sess = tf.Session() sess.run(...) sess.close() # 使用上下文管理器 with tf.Session() as sess: sess.run(...)
run方法介绍
run(fetches, feed_dict=None, options=None, run_metadata=None)
运行ops和计算tensor
fetches 可以是单个图形元素，或任意嵌套列表，元组，namedtuple，dict或OrderedDict
feed_dict 允许调用者覆盖图中指定张量的值
如果a,b是其它的类型，比如tensor，同样可以覆盖原先的值
a = tf.placeholder(tf.float32, shape=[]) b = tf.placeholder(tf.float32, shape=[]) c = tf.constant([1,2,3]) with tf.Session() as sess: a,b,c = sess.run([a,b,c],feed_dict={a: 1, b: 2,c:[4,5,6]}) print(a,b,c)
错误
RuntimeError：如果它Session处于无效状态（例如已关闭）。
TypeError：如果fetches或feed_dict键是不合适的类型。
ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在。
其它属性和方法
graph
返回本次会话中的图
as_default()
返回使此对象成为默认会话的上下文管理器。
获取当前的默认会话，请使用 tf.get_default_session
c = tf.constant(..) sess = tf.Session() with sess.as_default(): assert tf.get_default_session() is sess print(c.eval())
注意： 使用这个上下文管理器并不会在退出的时候关闭会话，还需要手动的去关闭
c = tf.constant(...) sess = tf.Session() with sess.as_default(): print(c.eval()) # ... with sess.as_default(): print(c.eval()) sess.close()
