从零开始学TensorFlow【什么是TensorFlow？】

野性酷女 2021-09-30 22:30 425阅读 0赞

## 前言 ##

> 只有光头才能变强。
> 
> 文本已收录至我的GitHub仓库，欢迎Star：https://github.com/ZhongFuCheng3y/3y

TensorFlow是什么意思？Tensor？Flow？这篇文章介绍TensorFlow一些最基础的知识。

## 一、Tensor介绍 ##

在介绍之前，首先要记住一个结论：**TensorFlow使用Tensor来表示数据**

接着我们来看看**什么是Tensor**，在官网的文档中，Tensor被翻译成”**张量**“。其中也给出了一个定义：

> **张量**是对矢量和矩阵向潜在的更高维度的泛化，TensorFlow 在内部将张量表示为**基本数据类型的n维数组**。

不知道你们看完这句话有啥感受，反正我当时就看不懂，啥是”张量“？。于是，我就跑去知乎里边用**关键字**搜了一下：”张量是什么“。果真给我搜到了相关的问题：《怎么通俗地理解张量?》

我本以为通过知乎，就可以通俗易懂地理解什么是张量，能给我一个清晰的认识。殊不知，大多数答主都在回答在**物理和数学**中张量的定义，随后贴出了一堆我看不懂的公式。其中，也看到了一种**相对**通俗易懂的定义：

> **一个量, 在不同的参考系下按照某种特定的法则进行变换, 就是张量.**

把所有答主的回答都阅读了一遍，看完就**更加抽象了**。再回到官方文档中，看看官方介绍张量的例子，**貌似**有点懂了。

目前为止我们有两个结论：

我再翻译一下上面的两句话：**在TensorFlow所有的数据都是一个n维的数组，只是我们给它起了个名字叫做张量(Tensor)**

> 中间折腾了一大堆，实际上还是将最开头的结论和官方的定义**再翻译**成自己觉得好理解的话…但很多时候，学习就这么一个过程。

### 1.1Tensor的基础 ###

从上面我们已经得知，Tensor(张量)实际上就是一个n维的数组。这就延伸了几个的术语：

#### 1.1.1阶(秩) ####

其实上，阶就是平时我们所说的**维数**。

以前在写Java的时候，可能一般接触到的都是二维的，但在机器学习上就很可能有很高的维度，那维数我们怎么数？很简单，我们**数括号**就行了。举个例子，我们可能会看到有下面的一个数组输出形式：

[[[9 6]  [6 9]  [8 8]  [7 9]] [[6 1]  [3 5]  [1 7]  [9 4]]]6]
      [6 9]
      [8 8]
      [7 9]]
     [[6 1]
      [3 5]
      [1 7]
      [9 4]]]

我们直接看第一个括号到第一个数字，有多少个括号就知道了。`[[[9`可以发现有3个括号，那这个就是一个三维的数组，它的阶(秩)就是3

#### 1.1.2形状 ####

张量的**形状**可以让我们看到**每个维度中元素的数量**。

比如我们在Java中创建出一个二维的数组：`int [][] array = new int[3][4]`，我们就可以知道这个数组**有三行有四列**。但如果我们创建出一个多维的数组，单单只用行和列就描述不清了。所以，在TensorFlow一般我们会这样描述：

如果我们要打印上面数组的形状时，我们可以得到这样的结果：`shape = (3,4)`。我们再看看第一篇写”机器学习HelloWorld“的时候，再来看看当时打印的结果：`shape = (60000, 28, 28)`。通过shape我们就可以**得到一些信息**：

那我们如果拿到一个数组，怎么通过**肉眼**看他的shape呢？

比如说：`m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]`，这个很简单，一眼就可以看出这个是一个二维数组(矩阵)，有三行三列。所以shape的结果应该是(3,3)

再来看一个：`t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]`，从多个括号上我们可以看出，这是三维的。我们先把**最外层括号**去掉得到的结果是`[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]`

Ok,到这一步，我们可以理解成有**三**个子数组，于是我们的shape可以先写成**shape(3,?,?)**

随后，我们继续把外层的括号去除，得到这样的结果：`[2], [4], [6]`，也是有三个元素，于是我们的shape就可以填成**shape(3,3,?)**

最后，再把括号去掉，我们可以发现只有一个元素，于是最后的结果就是**shape(3,3,1)**

我们可以看下图来**巩固**一下上面所说的概念：

![640?wx\_fmt=png][640_wx_fmt_png] 例子

#### 1.1.3 Tensor数据类型 ####

TensorFlow 在内部将张量表示为**基本数据类型**的 n维数组，没错的。在一个数组里边，我们总得知道我们的存进去的数据究竟是什么**类型**。

Tensor的数据类型如下所示：

![640?wx\_fmt=png][640_wx_fmt_png 1] Tenor的数据类型

## 二、特殊的张量 ##

特殊的张量由一下几种：

这次，我们先来讲讲前三种(比较好理解)，分别是变量、常量和占位符。

### 2.1 常量 ###

常量就是常量的意思，**一经创建就不会被改变**。(相信大家还是能够理解的)

在TensorFlow中，创建常量的方式十分简单：

a = tf.constant(2)b = tf.constant(3)
    b = tf.constant(3)

### 2.2变量 ###

变量也挺好理解的(就将编程语言的概念跟这里类比就好了)。一般来说，我们在**训练过程中的参数**一般用变量进行存储起来，因为我们的参数会不停的变化。

在TensorFlow创建变量有**两种**方式：

# 1.使用Variable类来创建# tf.random_normal 方法返回形状为(1，4)的张量。它的4个元素符合均值为100、标准差为0.35的正态分布。W = tf.Variable(initial_value=tf.random_normal(shape=(1, 4), mean=100, stddev=0.35), name="W")b = tf.Variable(tf.zeros([4]), name="b")# 2.使用get_variable的方式来创建my_int_variable = tf.get_variable("my_int_variable", [1, 2, 3], dtype=tf.int32,  initializer=tf.zeros_initializer)
    # tf.random_normal 方法返回形状为(1，4)的张量。它的4个元素符合均值为100、标准差为0.35的正态分布。
    W = tf.Variable(initial_value=tf.random_normal(shape=(1, 4), mean=100, stddev=0.35), name="W")
    b = tf.Variable(tf.zeros([4]), name="b")
    
    # 2.使用get_variable的方式来创建
    my_int_variable = tf.get_variable("my_int_variable", [1, 2, 3], dtype=tf.int32,
      initializer=tf.zeros_initializer)

值得注意的是：**当我们创建完变量以后，我们每次使用之前，都需要为其进行初始化！**

tf.global_variables_initializer()

### 2.3占位符 ###

我最早接触占位符这个概念的时候是在JDBC的时候。因为SQL**需要传入的参数才能确定下来**，所以我们可能会写出这样的SQL语句：`select * from user where id =?`

同样地，在TensorFlow占位符也是这么一个概念，可能需要**等到运行的时候才把某些变量确定下来**，于是我们就有了占位符。

在TensorFlow使用占位符也很简单：

# 文件名需要等到运行的时候才确定下来train_filenames = tf.placeholder(tf.string, shape=[None])#  ..省略一堆细节# 运行的时候，通过feed_dict将占位符具体的值给确定下来feed_dict={train_filenames: training_filenames}
    train_filenames = tf.placeholder(tf.string, shape=[None])
    
    #  ..省略一堆细节
    # 运行的时候，通过feed_dict将占位符具体的值给确定下来
    feed_dict={train_filenames: training_filenames}

上面的东西说白了在编程语言中都是有的，**只是语法变了而已**。

## 三、Flow？介绍图和节点 ##

我们将Flow翻译成中文：**流**，所以现在是**Tensor流**？

其实，在TensorFlow中，**使用图 (graph) 来表示计算任务**。其实TensorFlow默认会给我们一张空白的**图**，一般我们会叫这个为”**数据流图**“。数据流图由有向边和节点组成，在使用TensorFlow的时候我们会在图中创建各种的**节点**，而Tensor会在这些节点中**流通**。所以，就叫做TensorFlow

那有人就会好奇，我们执行什么操作会创建节点呢？在TensorFlow中，节点的类型可以分为三种：

看到这里的同学，可能就反应过来了：原来在上面创建的变量、常量和占位符在TensorFlow中都会生成一个节点！对于这类的操作Operation(行为)一般大家会简说成**op**

所以，op就是在TensorFlow中所执行的一个操作**统称**而已(有可能是创建变量的操作、也有可能是计算的操作)。在TensorFlow的常见的op有以下：

![640?wx\_fmt=png][640_wx_fmt_png 2] Tensorflow常见的op

其实说白了就是TensorFlow会给我们一张空白的数据流图，我们往这张数据流图**填充**(创建节点)，从而实现想要效果。

我们来看看官方的给出数据流图的gif，加深下印象。

![640?wx\_fmt=gif][640_wx_fmt_gif] 数据流图

## 四、啥是session？ ##

TensorFlow程序通常被组织成一个**构建阶段和执行阶段**. 在构建阶段, op的**执行步骤被描述成一个图**. 在执行阶段, **使用会话执行**执行图中的op。

说白了，就是当我们在编写代码的时候，实际上就是在将TensorFlow给我们的**空白图**描述成一张我们**想要的图**。但我们想要运行出图的结果，那就必须通过session来执行。

举个小例子：

import tensorflow as tf# 创建数据流图：y = W * x + b，其中W和b为存储节点，x为数据节点。x = tf.placeholder(tf.float32)W = tf.Variable(1.0)b = tf.Variable(1.0)y = W * x + b# =========如果不使用session来运行，那上面的代码只是一张图。我们通过session运行这张图，得到想要的结果with tf.Session() as sess:    tf.global_variables_initializer().run() # Operation.run    fetch = y.eval(feed_dict={x: 3.0})      # Tensor.eval    print(fetch)   # fetch = 1.0 * 3.0 + 1.0as tf
    # 创建数据流图：y = W * x + b，其中W和b为存储节点，x为数据节点。
    x = tf.placeholder(tf.float32)
    W = tf.Variable(1.0)
    b = tf.Variable(1.0)
    y = W * x + b
    
    # =========如果不使用session来运行，那上面的代码只是一张图。我们通过session运行这张图，得到想要的结果
    with tf.Session() as sess:
        tf.global_variables_initializer().run() # Operation.run
        fetch = y.eval(feed_dict={x: 3.0})      # Tensor.eval
        print(fetch)   # fetch = 1.0 * 3.0 + 1.0

### 4.1 Fetch是啥？ ###

Fetch就时候可以在`session.run`的时候**传入多个op(tensor)**，然后**返回多个tensor**(如果只传入一个tensor的话，那就是返回一个tensor)

### 4.2tensor.eval()和Operation.run() ###

有的同学在查阅资料的时候，发现可能调用的不是`session.run`，而是`tensor.eval()和Operation.run()`。其实，他们**最后的调用的还是**`session.run`。不同的是`session.run`可以**一次**返回多个tensor(通过Fetch)。

![640?wx\_fmt=png][640_wx_fmt_png 3] 最后实际还是掉session.run

## 最后 ##

曾经看到一段话总结得不错：

> TensorFlow 是一个编程系统, 使用图来表示计算任务. **图中的节点被称之为 *op*** (operation 的缩写). 一个 op 获得 0 个或多个 `Tensor`, 执行计算, 产生 0 个或多个 `Tensor`. **每个 Tensor 是一个类型化的多维数组**.

这篇文章简单讲了TensorFlow是啥意思以及一些基础的概念。但我也只是简单**以我的理解方式**来说了一些常见概念。里头的知识点还是比较多的(比如创建变量的时候一般我们会指定哪些参数….)，这些就交由大家去官网、博客、书籍去学习了。

我相信，只要了解了这些概念，那学习一定可以事半功倍！

下一篇TensorFlow文章敬请期待~

参考资料：

> 乐于输出**干货**的Java技术公众号：Java3y。公众号内有200多篇**原创**技术文章、海量视频资源、精美脑图，不妨来**关注**一下！

![640?wx\_fmt=jpeg][640_wx_fmt_jpeg] 帅的人都关注了推荐阅读： [漫话：如何给女朋友解释什么是反向代理？][Link 1]  
  
有帮助？好看！转发！ ![640][]

[640_wx_fmt_png]: /images/20210827/73e78ed8931b4db3b7705b426de8b981.png?wx_fmt=png
[640_wx_fmt_png 1]: /images/20210827/74ea99acb11949f2b6d770466e3da2e6.png?wx_fmt=png
[640_wx_fmt_png 2]: /images/20210827/096dc4cc12224cafa5d2d0aa83dd056c.png?wx_fmt=png
[640_wx_fmt_gif]: /images/20210827/866f59d58d504e7e912a0779d5db758f.png?wx_fmt=gif
[640_wx_fmt_png 3]: /images/20210827/8c7be0c5abfb42ca8620efa1ea98cf3d.png?wx_fmt=png
[640_wx_fmt_jpeg]: https://ss.csdn.net/p?https://mmbiz.qpic.cn/mmbiz_jpg/2BGWl1qPxib0ibicnQkmBUt1H64jlKeBu5Mg4FBYDvjoM2s6IwjBCibfx5u2OnWByGEtsPhiaNpBYdicblyk6KogMmTg/640?wx_fmt=jpeg
[Link 1]: /images/20210827/2d0f1513d4ef4212b4706033e9c4f3f0.png
[640]: /images/20210827/8589a8f3db304d46831745857c54cba9.png