一、初识

import tensorflow as tf      #  导入
print("TensorFlow版本是：",tf.__verson__)      # 显示当前版本

TensorFlow版本是：2.0.0

node1 = tf.constant([[3.0,1.5],[2.5,6.0]],tf.float32)
node2 = tf.constant([[4.0,1.0],[5.0,2.5]],tf.float32)
node3 = tf.add(node1,node2) 

node3     # 输出的是一个Tensor

<tf. Tensor: id=2， shape=(2， 2)，dtype=float32， numpy=array([[7.，2.5],[7.5， 8.5]]，dtype=float32)>

print(node3.numpy())    #输出运算结果Tensor的值

[[7. 2.5]
[7.5 8.5]]

二、基础知识

1. 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

1.概念

• TensorFlow中，所有的数据都通过张量的形式
  来表示
• 张量可以理解为多维数组
• 张量并没有真正保存数字，保存的是计算过程（2.0运用了实时运算）

2.属性

• 标识符（id）：唯一标识符
• 形状（shape）：张量的维度信息
• 类型（dtype）：不匹配会报错
• 值（value）：numpy()方法获取

形状

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)             # 输出()
print (vector.shape)             # 输出(5,)
print (matrix.shape)             # 输出(2,3)
print (cube_matrix. get_shape() # 输出(3, 3, 1)

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

类型

• TensorFlow支持14种不同类型：
  实数 tf. float32， tf. f loat64
  整数 tf. int8， tf. int16， tf. int32， tf. int64， tf. uint8
  布尔 tf. bool
  复数 tf. complex64， tf. complex128
• 默认类型:
  不带小数点的数会被默认为 int32
  带小数点的会被默认为 float32

a = tf. constant([1, 2])
b = tf. constant([2.0, 3.0])
result = tf. add(a, b)
#运行报错

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([2.0, 3.0])
a = tf. cast(a, tf. float32) #数据类型转换
result = tf. add(a, b)
result

<tf. Tensor: id=13， shape=(2,)，dtype=float32， numpy=array([3.， 5.]，dtype=float32)>

三、常量与变量

1. 常量 constant

• 创建语句：
  　　　　tf.constant(
  　　　　　　　value,
  　　　　　　　dtype=None,
  　　　　　　　shape=None,
  　　　　　　　name=‘Const’
  　　　　　　　) 其中只有value是必填的属性。

a = tf.constant([1,2,3,4,5,6],tf.float32, shape=[2,3])
a

a会自动的对应dtype值进行类型转换，对应shape的值进行reshape工作

2. 变量 variable

• tf.Variable(
  　　　initial_ value,
  　　　dtype=None,
  　　　shape=None,
  　　　trainable =True,
  　　　name=‘Variable’
  　　　) 其中只有value是必填的属性。

v1 = tf. Variable([1， 2])
v2 = tf. Variable([3， 4], tf. float32)
v1, v2

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

类型是根据初始值定义的

还可以直接利用张量赋初值

C = tf. constant (1) 
v = tf. Variable(c)
C, V

(<tf. Tensor: id=36， shape=()，dtype=int32， numpy=1>,
<tf. Variable ’Variable:0’ shape=()　dtype=int32， numpy=1>)

1. 在TensorFlow中变量和普通编程语言中的变量有着较大区别
2. 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。
3. 在TensorFlow中变量创建（赋初值）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。
4. 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。但是有时候（如迁移学习）对某些已经训练好的权值，我们会将其冻结。

3. 变量赋值

如果硬要人工更新变量值，可使用assign()实现

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

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

还有加法和减法对应的assign_add()、assign_sub()

v1 = tf. Variable(5)
v2 = tf. Variable(5)
v1.assign_add (1)
v2.assign_sub(1)
v1, v2

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

<tf. Variable’ Variable:0’ shape=() dtype=int32， numpy=4)

四、在2.0中实现1.x的静态图执行模式

1. TensorFlow计算模型 - 计算图

• TensorFlow 2 →Eager Execution
• TensorFlow 1.x →Graph Execution

2. 计算图的执行

1. 构建阶段：建立一个“计算图”，通过图的模式来定义数据与操作的执行步骤
2. 执行阶段：建立一个会话，使用会话对象来实现计算图的执行

#一个简单计算图
node1 = tf . constant(3.0, tf . float32, name=" node1")
node2 = tf . constant(4.0, tf . float32 , name=" node2")
node3 = tf . add(node1, node2 )
print(node3)

Tensor(“Add:0”, shape=(), dtype=float32)

输出结果不是一个具体的数字，而是一个张量的结构，如图：

3. TensorFlow 2中实现图执行模式开发

• TensorFlow 2虽然TensorFlow 1.X有较大差异，不能直接兼容TensorFlow 1.X代码。但实际上还是提供了对TensorFlow 1.X的API支持
• 原有的TensorFlow 1.X的API整理到tensorflow.compat.v1包里去了

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TensorFlow 2下执行TensorFlow 1. x版本代码
import tensorf low. compat. v1 as tf
tf. disable_ eager_ execution() # 改为图执行模式运行
#定义了一个简单的“计算图
nodel = tf. constant(3.0, tf. float32, name=" node1")
node2 = tf. constant(4.0, tf. float32, name=" node2")
node3 = tf. add (node1, node2)
print (node3)

Tensor(“Add:0”，shape=()， dtype=float32)

若要执行，则

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session 

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