1.什么是Tensorflow?
Tensor(张量)意味着 N 维数组，Flow(流)意味着基于数据流图的计算，TensorFlow即为张量从图的一端流动到另一端。
它支持CNN（卷积神经网络）、RNN（循环神经网络）和LSTM（长短期记忆网络）算法，是目前在 Image，NLP 最流行的深度神经网络模型。
推荐一个网址，神经网络游乐场，很明白的了解具体的训练流程，得到最佳的结果
http://playground.tensorflow.org/
2.Tensorflow的优点
- 第一，基于Python，写的很快并且具有可读性。
- 第二，在CPU或GPU系统上的都可运行。pip install tensorflow
- 第三，代码编译效率较高。
- 第四，社区发展的非常迅速并且活跃。
- 第五，能够生成显示网络拓扑结构和性能的可视化图。
3.Tensorflow的原理
TensorFlow是用数据流图(data flow graphs)技术来进行数值计算的。
数据流图是描述有向图中的数值计算过程。
有向图中，节点通常代表数学运算，边表示节点之间的某种联系，它负责传输多维数据(Tensors)。
4.Tensorflow的使用
1 import warnings
2 warnings.filterwarnings('ignore')
3 import numpy as np
4 import tensorflow as tf
5
6 #常量的计算
7 nd1=np.random.randint(0,10,size=5)
8 s=tf.reduce_sum(nd1,name='sum')
9 sess=tf.Session()
10 sess.run(s)
11
12 # 求平均值
13 m=tf.reduce_mean(nd1.astype(np.float16))
14 # 使用with会自动关闭
15 with tf.Session() as sess:
16 print(sess.run(m))
17
18 # 返回值是操作
19 c=tf.constant('Hello Tensorflow')
20 c2=tf.constant(1024)
21 c3=tf.constant(512)
22 a=tf.add(c2,c3)
23 b=c3-c2
24 d=tf.abs(b)
25 m=tf.multiply(10,8)
26 # 除法直接返回结果
27 n=tf.divide(1024,100)
28 h=tf.divide(b,d)
29 # sess.run(c) c必须是tensor操作
30 with tf.Session() as sess:
31 print(sess.run(c))
32 print(sess.run(c2))
33 print(sess.run(a))
34 print(sess.run(b))
35 print(sess.run(d))
36 print(sess.run(m))
37 print(n)
38 print(sess.run(h))
39
40 # 矩阵操作
41 a=np.random.randint(0,10,size=(2,3))
42 b=np.random.randint(0,10,size=(3,4))
43 # 矩阵的点乘
44 c=tf.matmul(a,b)
45 with tf.Session() as sess:
46 print(sess.run(c))
1 # 变量的计算
2 # 求解方程时，系数和截距都是变量
3 # 声明变量
4 v=tf.Variable(initial_value=0,dtype=np.float16)
5 v2=tf.Variable(initial_value=3.14,dtype=tf.float16)
6 with tf.Session() as sess:
7 # 变量必须进行初始化
8 sess.run(tf.global_variables_initializer())
9 result=sess.run([v,v2])
10 print(result)
11 # 将变量更新一下，重新赋值，必须运行之后才会修改
12 assign=tf.assign(v,2.718)
13 sess.run(assign)
14 #相当于求v2-2
15 sess.run(tf.assign_sub(v2,2))
16 print(sess.run([v,v2]))
17
18 # 占位符
19 # 占位符的作用
20 ‘’‘一方面用TensorFlow写网络的时候，训练前我们往往不知道x和y的具体大小，但在写前项传播时又不得不先在计算图中定义这么一个节点，因为其他变量会依赖它。此时，我们就可以先在网络中给这些变量留（占）一个位置，等到训练的时候根据batch的尺寸就能确定x,y的大小了。
21 另一方面我们迄今为止所做的计算一直很乏味：没有机会获得输入，所以它们总是输出相同的东西。一个实用的应用可能涉及构建这样一个计算图：它接受输入，以某种（一致）方式处理它，并返回一个输出。最直接的方法是使用占位符。占位符是一种用于接受外部输入的节点。
22 ‘’‘
23
24 A=tf.placeholder(dtype=tf.float32,shape=(None,4),name='A')
25 B=tf.placeholder(dtype=np.float32,shape=(4,None),name='B')
26 C=tf.matmul(A,B)
27 with tf.Session() as sess:
28 # 占位时使用的None，赋值时可以随意构建形状，只要匹配就可以
29 b=sess.run(tf.random_normal(shape=[4,5]))
30 ret=sess.run(C,feed_dict={A:np.random.randint(0,5,size=(3,4)),B:b})
31 print(ret)
5.Tensorlow完成线性回归
1 import warnings
2 warnings.filterwarnings('ignore')
3 import numpy as np
4 import matplotlib.pyplot as plt
5 %matplotlib inline
6 from sklearn.linear_model import LinearRegression
7 import tensorflow as tf
8
9 # 构造数据
10 X=np.linspace(2,12,50).reshape(-1,1)
11 w=np.random.randint(1,6,size=1)[0]
12 b=np.random.randint(-5,5,size=1)[0]
13 y=X*w+b+np.random.randn(50,1)*0.7
14 plt.scatter(X,y)
15
16 # 用线性回归模型来计算
17 linear=LinearRegression()
18 linear.fit(X,y)
19 print(linear.coef_,linear.intercept_)
20
21 #用tensorflow来计算
22 # 1.定义占位符，变量
23 # 线性回归理论基础是最小二乘法
24 X_train=tf.placeholder(dtype=tf.float32,shape=[50,1],name='data')
25 y_train=tf.placeholder(dtype=tf.float32,shape=[50,1],name='target')
26 w_=tf.Variable(initial_value=tf.random_normal(shape=[1,1]),name='weight')
27 b_=tf.Variable(initial_value=tf.random_normal(shape=[1]),name='bias')
28
29 # 2.构造方程（线性方程，矩阵乘法）
30 # 构建方程 f(x)=Xw+b
31 y_pred=tf.multiply(X_train,w_)+b_
32 # shape=(50,1)
33
34 # 3.最小二乘法（平均最小二乘法）
35 # 二乘法(y_pred-y_train)**2 返回的结果是一个列表，列表没有办法比较大小
36 # 平均最小二乘法，数值，mean
37 cost=tf.reduce_mean(tf.pow(y_pred-y_train,2))
38
39 # 4.梯度下降优化
40 # 优化，cost越小越好
41 # 梯度下降优化
42 opt=tf.train.GradientDescentOptimizer(0.01).minimize(cost)
43
44 # 5.会话进行训练（for循环）
45 with tf.Session() as sess:
46 # w,b,变量初始化
47 sess.run(tf.global_variables_initializer())
48 for i in range(1000):
49 opt_,cost_=sess.run([opt,cost],feed_dict={y_train:y,X_train:X})
50 print('执行次数是：%d,损失函数值是：%0.4f'%(i+1,cost_))
51 # for 循环结束，训练结束
52 # 获取斜率和截距
53 W,B=sess.run([w_,b_])
54 print('经过1000次的训练，tensorflow返回的线性方程的斜率是：%0.3f,截距是：%0.3f'%(W,B))
55
56 # 6.可视化
57 plt.scatter(X,y)
58 x=np.linspace(2,12,100)
59 plt.plot(x,W[0]*x+B,color='green')