说明：本文实例使用Python版本为3.5.6，Tensorflow版本为2.0

介绍

Tensorflow是Google推出的机器学习开源神器，对Python有着良好的语言支持，支持CPU，GPU和Google TPU等硬件，并且已经拥有了各种各样的模型和算法。目前，Tensorflow已被广泛应用于文本处理，语音识别和图像识别等多项机器学习和深度学习领域。

基础框架

分为三层：应用层、接口层和核心层

推荐：《python教程》

应用层

提供了机器学习相关的训练库、预测库和针对Python、C++和Java等变成语言的编程环境，类似于web系统的前端，主要实现了对计算图的构造。

接口层

对Tensorflow功能模块的封装，便于其它语言平台的调用。

核心层

最重要的部分，包括设备层、网络层、数据操作层和图计算层，执行应用层的计算。

1.设备层

包括Tensorflow在不同硬件设备上的实现，主要支持CPU、GPU和Mobile等设备，在不同硬件设备上实现计算命令的转换，给上层提供统一的接口，实现程序的跨平台功能。

2.网络层

网络层主要包括RPC和RDMA通信协议，实现不同设备之间的数据传输和更新，这些协议都会在分布式计算中用到。

3.数据操作层

以tensor为处理对象，实现tensor的各种操作和计算。

4.图计算层

包括分布式计算图和本地计算图的实现，实现图的创建、编译、优化和执行等。

设计理念

可以将Tensorflow理解为一张计算图中“张量的流动”，其中，Tensor（张量）代表了计算图中的边，Flow(流动)代表了计算图中节点所做的操作而形成的数据流动。

其设计理念是以数据流为核心，当构建相应的机器学习模型后，使用训练数据在模型中进行数据流动，同时将结果以反向传播的方式反馈给模型中的参数，以进行调参，使用调整后的参数对训练数据再次进行迭代计算。

编程特点

有两个编程特点：

图的定义和图的运行完全分开

在tensorflow中，需要预先定义各种变量，建立相关的数据流图，在数据流图中创建各种变量之间的计算关系，完成图的定义，需要把运算的输入数据放进去后，才会形成输出值。

图的计算在会话中执行

tensorflow的相关计算在图中进行定义，而图的具体运行坏境在会话(session)中，开启会话后，才能开始计算，关闭会话就不能再进行计算了。

举个例子：

import tensorflow as tftf.compat.v1.disable_eager_execution()a = 3b = 4c = 5y = tf.add(a*b, c)print(y)a = tf.constant(3, tf.int32)b = tf.constant(4, tf.int32)c = tf.constant(5, tf.int32)y = tf.add(a*b, c)print(y)session = tf.compat.v1.Session()print(session.run(y))session.close()

可以看出，在图创建后，并在会话中执行数据计算，最终输出结果。

设计的好处就是：学习的过程中，消耗最多的是对数据的训练，这样设计的话，当进行计算时，图已经确定，计算就只剩下一个不断迭代的过程。

基本概念

Tensor

张量，是tensorflow中最主要的数据结构，张量用于在计算图中进行数据传递，创建了张量后，需要将其赋值给一个变量或占位符，之后才会将该张量添加到计算图中。

session

会话，是Tensorflow中计算图的具体执行者，与图进行实际的交互。一个会话中可以有多个图，会话的主要目的是将训练数据添加到图中进行计算，也可以修改图的结构。

调用模式推荐使用with语句：

with session:    session.run()Variable

变量，表示图中的各个计算参数，通过调整这些变量的状态来优化机器学习算法。创建变量应使用tf.Variable()，通过输入一个张量，返回一个变量，变量声明后需进行初始化才能使用。

举例说明：

import tensorflow as tftf.compat.v1.disable_eager_execution()tensor = tf.ones([1, 3])test_var = tf.Variable(tensor)# 初始化变量init_op = tf.compat.v1.global_variables_initializer()session = tf.compat.v1.Session()with session:    print("tensor is ", session.run(tensor))    # print("test_var is ", session.run(test_var))    session.run(init_op)    print("after init, test_var is", session.run(test_var))

Placeholder

占位符，用于表示输入输出数据的格式，声明了数据位置，允许传入指定类型和形状的数据，通过会话中的feed_dict参数获取数据，在计算图运行时使用获取的数据进行计算，计算完毕后获取的数据就会消失。

举例说明：

x = tf.compat.v1.placeholder(tf.int32)y = tf.compat.v1.placeholder(tf.int32)z = tf.add(x, y)session = tf.compat.v1.Session()with session:    print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

Operation

操作，是图中的节点，输入输出都是Tensor，作用是完成各种操作，包括：

数学运算：add, sub, mul, div, exp …

数组运算：concat, slice, split, rank …

矩阵运算：matmul, matrixinverse …

神经网络构建：softmax, sigmoid, relu …

检查点：save, restore …

队列和同步：enqueue, dequeue, mutexacquire, mutexrelease …

张量控制：merge, switch, enter, leave …

Queue

队列，图中有状态的节点。包含入列（endqueue）和出列（dequeue）两个操作，入列返回计算图中的一个操作节点，出列返回一个tensor值。

其中，队列有两种：

1. FIFOQueue

按入列顺序出列的队列，在需要读入的训练样本有序时使用。举个例子：

fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))with tf.compat.v1.Session() as session:    session.run(init)    queue_size = session.run(fifo_queue.size())    for item in range(queue_size):        print('fifo_queue', session.run(fifo_queue.dequeue()))

2. RandomShuffleQueue

以随机顺序出列的队列，读入的训练样本无序时使用。举个例子：

rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))with tf.compat.v1.Session() as session:    session.run(init)    queue_size = session.run(rs_queue.size())    for i in range(queue_size):        print('rs_queue', session.run(rs_queue.dequeue()))

本文来自 python教程 栏目，欢迎学习！

以上就是Tensorflow基础（机器学习开源软件库）的详细内容，更多请关注24课堂在线网其它相关文章！