TensorFlow入门
基本的数值计算相关操作
摘自 https://blog.csdn.net/zywvvd/article/details/78593618
一般前提条件为参与运算的数据类型相同。这些操作可以直接在tensorflow.Session中执行。
# 常量的定义
# 其中若data为浮点数，而不显式声明dtype的话，dtype将被隐式地设定为tf.float32
tf.constant(data, dtype)
# 变量类型转换
tf.cast(data, dtype)
# 算术操作符：+ - * / %
tf.add(x, y, name=None) # 加法(支持广播)
tf.subtract(x, y, name=None) # 减法
tf.multiply(x, y, name=None) # 元素级乘法 -> 矩阵乘法为tf.matmul()
tf.divide(x, y, name=None) # 浮点除法, 返回浮点数
tf.mod(x, y, name=None) # 取余
# 幂指对数操作符：^ ^2 ^0.5 e^ ln
tf.pow(x, y, name=None) # 幂次方
tf.square(x, name=None) # 平方
tf.sqrt(x, name=None) # 开根号，必须传入浮点数或复数
tf.exp(x, name=None) # 计算 e 的次方
tf.log(x, name=None) # 以 e 为底，必须传入浮点数或复数
# 取符号、负、倒数、绝对值、近似、两数中较大/小的
tf.negative(x, name=None) # 取负(y = -x)
tf.sign(x, name=None) # 返回 x 的符号
tf.reciprocal(x, name=None) # 取倒数
tf.abs(x, name=None) # 求绝对值
tf.round(x, name=None) # 四舍五入
tf.ceil(x, name=None) # 向上取整
tf.floor(x, name=None) # 向下取整
tf.rint(x, name=None) # 取最接近的整数
tf.maximum(x, y, name=None) # 返回两tensor中的最大值 (x > y ? x : y)
tf.minimum(x, y, name=None) # 返回两tensor中的最小值 (x < y ? x : y)
# 三角函数和反三角函数
tf.cos(x, name=None)
tf.sin(x, name=None)
tf.tan(x, name=None)
tf.acos(x, name=None)
tf.asin(x, name=None)
tf.atan(x, name=None)
# 其它
tf.div(x, y, name=None) # python 2.7 除法, x/y-->int or x/float(y)-->float
tf.truediv(x, y, name=None) # python 3 除法, x/y-->float
tf.floordiv(x, y, name=None) # python 3 除法, x//y-->int
tf.realdiv(x, y, name=None)
tf.truncatediv(x, y, name=None)
tf.floor_div(x, y, name=None)
tf.truncatemod(x, y, name=None)
tf.floormod(x, y, name=None)
tf.cross(x, y, name=None)
tf.add_n(inputs, name=None) # inputs: A list of Tensor objects, each with same shape and type
tf.squared_difference(x, y, name=None) 需要注意的一点是，由于TensorFlow的编程模型为流图模式，实际上在运行过程中每个张量都只会被计算一次，因而每次定义新Tensor的时候，只是会把旧Tensor的引用去除，旧Tensor的操作还是会在流图中运行。因而，若是定义了一个语法错误的Tensor的话就麻烦了，会直接报错。。。（惨痛的教训）
20190724 目前还没发现Python可以从流图中删除Tensor的方法，StackOverflow和GitHub上都说没有可行的办法，“没有办法干净利落地从流图中删除一个结点”。因而只有另一个方法：在必要情况下换用新图。使用tf.reset_default_graph()也没有用，根据实测，它只会“清空”默认图，可以定义新变量，但是只能运行旧的流图。也就是说实际上鸟用没有
变量与作用域
改编自https://www.jianshu.com/p/2061b221cd8f , https://www.cnblogs.com/esCharacter/p/7872064.html
根据定义，tensorflow.Variable可以用于定义一个变量。变量之间的运算被定义为Tensor，中文名称为张量，是物理学中一种不随坐标系改变而发生变化的物理量，在TensorFlow中为运算操作的表达方式。（然而由于在下数学能力实在缺乏，只能Python编程中近似将其理解为多维矩阵）使用Variable类的构造函数进行变量定义要求非空的初始化值。对应有一个方法可以达到相似的目的：tensorflow.get_variable()。两者的联系与区别如下：
tensorflow.Variable() |
tensorflow.get_variable() |
|
|---|---|---|
| 命名重复 | 新变量自动重命名 | 报错 |
| 对象引用 | 每次调用创建新对象 | 在同一作用域下可以引用同名对象 |
根据作者描述，在通过tensorflow.variable_scope()定义作用域后，可以通过tensorflow.get_variable()进行变量的重用。其意义在于，可以通过作用域的临时定义（with tf.Graph().as_default():）进行上下文的切换，提供了便捷的变量存取方法。
tensorflow.Variable(tensorflow.Tensor)语句只会构建计算图。这些tensorflow.Tensor对象仅代表将要运行的操作的结果，是一种流图语言的定义语句，因而并不可以直接输出，需要在tensorflow.Session里运行后获得结果。返回值为numpy.ndarray格式。
部分代码如下：
a = tf.Variable([[1,2],[3,4]], name='a')
sess.run(a)完整执行过程将于下一节 [tensorflow“执行器” session] 中讲述。
tensorflow“执行器” Session
根据字面意义上理解，session可以理解为会话，也就是说相当于启动了一个“执行器”。以我初学者的个人简介来看，就像是一套净化水装置的入口开关开启，接下来就可以装入数据进行处理了。上一节 [变量与作用域] 中的sess就是这里的tensorflow.Session。sess的创建方式很简单：
import tensorflow as tf
sess = tf.Session()但是若是在创建完Session之后将上一节的代码复制粘贴入运行，会出现这么一个问题：
tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value Variable根据字面意思，显然是变量未初始化。若是需要使用tensorflow.Variable一类的对象变量的话，需要先在Session中进行初始化：
sess.run(tf.global_variables_initializer())然后可以获得结果：
>>> sess.run(a)
array([[1, 2],
[3, 4]])可以使用sess.close()手动关闭Session。虽然GPU指示器显示Python仍然在占用cpu，但是重新建立会话
摘自官方文档：
可以将多个张量传递给
tf.Session.run。run方法以透明方式处理元组或字典的任何组合，如下例所示：print(sess.run({'ab':(a, b), 'total':total}))它返回的结果拥有相同的布局结构：
{'total': 7.0, 'ab': (3.0, 4.0)}
因为字典没有排序规则，所以实际上对于使用影响不大。
限制运行时GPU内存占用的方法：
import tensorflow as tf
config = tf.ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction = 0.3
sess = tf.Session(config=config)通过设置per_process_gpu_memory_fraction来限制GPU内存的使用比例。