2小时从零入门人工智能TensorFlow

0.2 TensorFlow 可以做什么 ?
目前主要是用于机器学习，这样说有点不亲民，笔者理解是可以将数据转化为向量描述并且构建相应的计算流图都是可以使用的。 举个例子吧，虽然不知道恰不恰当。 比如我们在计算 时，可以构建一个二叉树
这棵二叉树的中序遍历就是上面的表达式，也就是说这个表达式可以转化成一个形如二叉树的图，而 TensorFlow正好可以计算这个图。下面给出代码，看不懂没关系，只要理解代码流程是对图(二叉树)的计算就可以了，下面会介绍如何使用Tensorflow
# coding: utf-8import tensorflow as tfa, b, c, d = tf.constant(1), tf.constant(2), tf.constant(3),tf.constant(4)add = tf.add(a,b)mul = tf.multiply(add, c)sub = tf.subtract(mul, d)with tf.Session() as sess: print(sess.run(sub))# output: # 5

1 初识 TensorFlow
好了，有前面的介绍，你应该能够使用 TensorFlow的环境了，下面开始介绍如何编码。

1.1 基础语法1.1.1 计算单元介绍
可以看到在计算图中，有两个主要的内容是点(叶子和非叶子节点)和线。我的理解是点代表数据，线代表操作。不知道对不对，不过下面就按照这样思路介绍了。 下面开始介绍有哪些常用的“点”：
常量
# 常量c = tf.constant(2)with tf.Session() as sess: print(sess.run(c))

变量
# 变量v = tf.Variable(3)with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(v))

接下来就是有哪些“线”：
四则运算
# 四则运算a = tf.constant(2)b = tf.constant(3)add = tf.add(a, b)sub = tf.subtract(a, b)mul = tf.multiply(a, b)div = tf.divide(a, b)with tf.Session() as sess: print(sess.run(add)) print(sess.run(sub)) print(sess.run(mul)) print(sess.run(div))

1.1.2 计算流程介绍
知道了常见数据和计算方法下面介绍计算流程：
# 常量计算流程# coding: utf-8import tensorflow as tf# Step1: 创建数据a, b, c, d = tf.constant(1), tf.constant(2), tf.constant(3),tf.constant(4)# Step2: 构造计算图add = tf.add(a,b)mul = tf.multiply(add, c)sub = tf.subtract(mul, d)# Step3: 进行计算with tf.Session() as sess: print(sess.run(sub))

学会了计算常量，变量是不是也一样？如果你试过就知道是不一样的，变量需要初始化操作。
# 变量初始化# coding: utf-8import tensorflow as tfv = tf.Variable(2)with tf.Session() as sess: sess.run(tf.global_variables_initializer()) print(sess.run(v))

到这里可能会疑问，那变量和常量有什么区别？从字面意思可以知道变量应该是可变的，方便我们在计算过程中随时调整参数，下面通过一段代码介绍如何使用。
# 常量和变量区别v = tf.Variable(2)# 将 v 的值自乘 2update = tf.assign(v, tf.multiply(v, tf.constant(2)))with tf.Session() as sess: sess.run(tf.global_variables_initializer()) for _ in range(4): print("-----------------------") print("Before : ", sess.run(v)) sess.run(update) print("After : ", sess.run(v))
但是如果我们不想每次都设置-更新-计算-更新-计算……而是直接把数据写入计算，那占位符就起作用了。同样举个小例子。
注意：不必指定初始值，可以在运行时，通过Session.run 函数的参数”feed_dict={x : value}”进行赋值

# 占位符c = tf.constant(2)# 注意类型一致，这里是 tf.int32p = tf.placeholder(tf.int32)mul = tf.multiply(c, p)with tf.Session() as sess: # tmp = 2 相当于上一个例子变量的初始值是 2 tmp = 2; for _ in range(4): # 直接填充 feed_dict tmp = sess.run(mul, feed_dict={p:tmp}) print (tmp)

下面总结下计算过程：
创建数据：可以创建常量、变量和占位符。
构建图：通过前面的数据构建一张图。
初始化：把变量初始化。
计算：必须通过开启一个 Session 来计算图

干货实操的帖子都没人看吗？

1.2 可视化
TensorFlow提供了一个可视化工具——TensorBoard，下面开始介绍如何使用。
这里对上面二叉树的例子进行可视化处理。
# coding: utf-8import tensorflow as tfa, b, c, d = tf.constant(1), tf.constant(2), tf.constant(3),tf.constant(4)add = tf.add(a,b)mul = tf.multiply(add, c)sub = tf.subtract(mul, d)with tf.Session() as sess: writer = tf.summary.FileWriter('./graphs', sess.graph) print(sess.run(sub))writer.close()

然后使用命令行到存储 graphs 的文件夹下执行 tensorboard --logdir="./graphs" 命令，然后按照提示在浏览器中打开 http://localhost:6006 如果成功显示 TensorBoard 界面就说明成功了。