使用TensorFlow的基本步驟

tensorflow是一個可用於構建機器學習模型的平臺，但其實它的用途很廣泛。它是一種基於圖表的通用計算框架，可用來編寫你能想出的任何東西。事實上tensorflow.org的API頁面中提供了可在程式碼中使用的低階tensorflow運算的完整列表。貢獻者們還添加了多個可以讓我們輕鬆的執行常見任務的高階框架。 下圖顯示了 TensorFlow 工具包的當前層次結構： 下表總結了不同層的用途： TensorFlow 由以下兩個元件組成：

• 圖協議緩衝區
• 執行（分散式）圖的執行時

這兩個元件類似於 Java 編譯器和 JVM。正如 JVM 會實施在多個硬體平臺（CPU 和 GPU）上一樣，TensorFlow 也是如此。 較高級別的抽象層更易於使用，但（設計方面）不夠靈活。 如果您希望在某些特殊建模方面能夠更加靈活一些，則可以降低一個級別。請注意，每個級別都是使用低階 API 構建的，因此降低層次結構級別應該比較直觀。

tf.estimator API

tf.estimator 與 scikit-learn API 相容。 scikit-learn  

是極其熱門的 Python 開放原始碼機器學習庫，擁有超過 10 萬名使用者，其中包括許多 Google 員工。在學習如何使用tensorflow之前先了解一下Pandas。Pandas 是用於進行資料分析和建模的重要庫，廣泛應用於 TensorFlow 編碼。

Tensorflow程式設計概念

學習目標：

• 學習 TensorFlow 程式設計模型的基礎知識，重點了解以下概念：

  • 張量
  • 指令
  • 圖
  • 會話
• 構建一個簡單的 TensorFlow 程式，使用該程式繪製一個預設圖並建立一個執行該圖的會話

注意： 請仔細閱讀本教程。TensorFlow 程式設計模型很可能與您遇到的其他模型不同，因此可能不如您期望的那樣直觀。

概念概覽

TensorFlow 的名稱源自張量，張量是任意維度的陣列。藉助 TensorFlow，您可以操控具有大量維度的張量。即便如此，在大多數情況下，您會使用以下一個或多個低維張量：

• 標量是零維陣列（零階張量）。例如，\'Howdy\' 或 5
• 向量是一維陣列（一階張量）。例如，[2, 3, 5, 7, 11] 或 [5]
• 矩陣是二維陣列（二階張量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令會建立、銷燬和操控張量。典型 TensorFlow 程式中的大多數程式碼行都是指令。

TensorFlow 圖（也稱為計算圖或資料流圖）是一種圖資料結構。很多 TensorFlow 程式由單個圖構成，但是 TensorFlow 程式可以選擇建立多個圖。圖的節點是指令；圖的邊是張量。張量流經圖，在每個節點由一個指令操控。一個指令的輸出張量通常會變成後續指令的輸入張量。TensorFlow 會實現延遲執行模型，意味著系統僅會根據相關節點的需求在需要時計算節點。

張量可以作為常量或變數儲存在圖中。您可能已經猜到，常量儲存的是值不會發生更改的張量，而變數儲存的是值會發生更改的張量。不過，您可能沒有猜到的是，常量和變數都只是圖中的一種指令。常量是始終會返回同一張量值的指令。變數是會返回分配給它的任何張量的指令。

要定義常量，請使用 tf.constant 指令，並傳入它的值。例如：

  x = tf.constant([5.2])

同樣，您可以建立如下變數：

  y = tf.Variable([5])

或者，您也可以先建立變數，然後再如下所示地分配一個值（注意：您始終需要指定一個預設值）：

  y = tf.Variable([0])
  y = y.assign([5])

定義一些常量或變數後，您可以將它們與其他指令（如 tf.add）結合使用。在評估 tf.add 指令時，它會呼叫您的 tf.constant 或 tf.Variable 指令，以獲取它們的值，然後返回一個包含這些值之和的新張量。

圖必須在 TensorFlow 會話中執行，會話儲存了它所執行的圖的狀態：

將 tf.Session() 作為會話：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 時，您必須在會話開始時呼叫 tf.global_variables_initializer，以明確初始化這些變數，如上所示。

注意：會話可以將圖分發到多個機器上執行（假設程式在某個分散式計算框架上執行）。有關詳情，請參閱分散式 TensorFlow。

總結

TensorFlow 程式設計本質上是一個兩步流程：

1. 將常量、變數和指令整合到一個圖中。
2. 在一個會話中評估這些常量、變數和指令。

建立一個簡單的Tensorflow程式

新增import語句 與幾乎所有 Python 程式一樣，您首先要新增一些  import  語句。 當然，執行 TensorFlow 程式所需的  import  語句組合取決於您的程式將要訪問的功能。至少，您必須在所有 TensorFlow 程式中新增  import tensorflow  語句：

import tensorflow as tf

TensorFlow提供了一個 預設圖 。不過，我們建議您明確建立自己的  Graph ，以便跟蹤狀態（例如，您可能希望在每個單元格中使用一個不同的  Graph ）。

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")


  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    print sum.eval()

更多關於張量程式設計的內容請參考tensorflow張量程式設計補充 點選開啟連結