1、张量值

TF的核心数据单位是张量，张量由一组形成阵列的原始数据组成，张量的阶是它的维数，而它的维数是一哥整数元组，指定了阵列的每个维度的长度：

2、TF的低级API可以由两部分独立组成

    (1) 构建计算图（tf.Graph）

    (2) 运算计算图(tf.Session)

    (1) Graph

        计算图是排列成一个图的一系列TF指令，图由两种类型的对象组成

     指令：图的节点。指令说明的是消耗和生成张量的计算。     张量：图的边。它们代表将流经图的值。大多数会返回tf.Tensor

最基本的指令是一个常量。构建指令的Python函数将一个张量值作为输入值。生成的指令不需要输入值。它在运行时输出的是被传递给构造函数的值。我们创建两个浮点数常量a和b：

a = tf.constant(3.0,dtype = tf.float32) b = tf.constant(4.0) total = a+b print (a) print (b) print (total)

打印语句会生成：

Tensor("Const: 0",shape=(),dtype = float32) Tensor("Const_1: 0",shape=(),dtype =float32) Tensor("add:0",shape =(),dtype =float32)

图中每个张量都拥有唯一的名称。这个名称不同于使用的Python分配给对应的对象的名称。张量是根据生成它们的指令命名的，后面跟着输出索引。

Tensorboard

Tensorboard能够使计算图可视化。其过程如下：

（1）将计算图保存为Tnesorboard摘要文件，具体操作如下：

writer = tf.summary.FileWriter('.') writer.add_graph(tf.get_default_graph())

这将在当前目录中生成一个event文件，其名称格式如下

events.out.tfevents.{timestamp}.{hostname}

在终端使用shell命令，启动TensorBoard

tensorboard --logdir

接下来在浏览器打开TnesorBoard的图页面，你应该看到计算图如下所示：

会话

要评估张量，需要实例化一个tf.Session对象（会话）。会话会封装TensorFlow运行时的状态，并运行TF指令。如果tf.Graph像一个.py文件，那么tf.Session就像一个可执行的python

以下创建一个tf.Session对象，然后调用其run方法来评估我们在上文中创建的total张量：

sess = tf.Session() print (sess.run(total))

当使用Session.run请求输出节点时，TF会回溯整个图，并流经提供了所请求的输出节点对应的输入值的所有节点，因此指令会打印出预期值。

也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

print (sess.run('ab':(a,b),'total':total))

它返回的结果有相同的布局：

{‘total’:7.0,'ab':(3.0,4.0)}

供给

上面的图只能产生一个常量的结果，图可以参数化以便接收外部输入，也称为占位符。占位符表示承诺在稍后提供值，它就行函数参数：

x = tf.placeholder(tf.float32) y = tf.placeholder(tf.float32) z = x + y

前三行有点像函数。我们定义了这个函数的两个输入参数（x和y），然后对它们运行指令。我们可以使用run方法的feed_dict参数来为占位符提供真正的值，从而通过多个输入值来评估这个图：

print (sess.run(z,feed_dict ={x:3,y:4,5})) print (sess.run(z,feed_dict={x:[1,3],y:[2,4]}))

输出结果为：

7.5 [3.,7.]

注意，feed_dict参数可以用于覆盖图中的任何张量。占位符和其他tf.Tensors的唯一不同之处在于如果没有提供值给他们，那么占位符会显示错误。

数据集

占位符适用于简单实验，但数据集是将数据流形式传递到模型的首选方法。

要从数据集中获取可运行的tf.Tensor，必须现将其转换成tf.data.Iterater，然后调用迭代器的get_next方法。

创建迭代器的最简单的方法方式是采用make_one_shot_iterator方法。例如,在下面的代码中，next_item张量将在每次run调用时从my_data阵列返回一行：

my_data = [ [0,1], [2,3], [4,5], [6,7], ] slices = tf.data.Dataset.from_tensor_slices(my_data) next_item = slices.make_one_shot_iterator().get_next()

到达数据流末端是，Dataset会抛出OutOfRangeError。例如，下面代买会一直读取next_item，直到没有数据可读：

while True: try: print(sess.run(next_item)) except tf.errors.OutOfRangeError: break

层

可训练的模型必须修改图中的值，以便在相同输入值的情况下获得新的输出值。将可训练的参数添加到图中的首选方式是层。

层将变量和作用于他们的指令打包在一起。例如，密集连接层会对每个输出值对应的所有输入值执行加权和，并应用可选择的激活函数。连接权重和偏差由层对象管理。

创建层

下面会创建一个Dense层，该层会接收一批输入矢量，并为每个矢量生成单一的输出值。要将层应用于输入值，请将该层当做函数来调用。例如

x = tf.placeholder(tf.float32,shape = [None,3]) linear_model =tf.layer.Dense(units=1) y = linear_model(x)

层会检查其输入数据，以确定其内部变量的大小。因此，我们必须在这里设置x占位符的形状，以便层构建正确大小的权重矩阵。

在定义完图后，还有一个细节需要处理（初始化）

初始化层

层包含的变量必须先初始化，然后才能使用。如下所示：

init = tf.global_variables_initializer() sess.run(init)

此global_variables_initializer仅会初始化创建初始化程序是图中就存在的变量。因此应该在构建图标的最后一步添加初始化程序。

执行层

我们现在已经完成了层的初始化，可以像处理任何其他张量一样评估linear_model的输出张量了。例如：

print (sess.run(y,x:{[1,2,3],[4,5,6]}))

会生成一个两元素向量，如下所示：

[[-3.413478999] [-9.149999908]]

层函数的快捷方式

对于每个层类别（如tf.layers.Dense），TF还提供了一个快捷函数（如tf.layers.dense）。两者唯一的区别是快捷函数版本是在单次调用中创建和运行层。例如：

x = tf.placeholder(tf.float32,shape=[None,3]) y = tf.layers.dense(x,units=1) init = tf.global_variables_initializer() sess.run() print (sess.run(y,{x:[[1,2,3],[4,5,6]]})) 尽管这种方法很方便，但无法访问  tf.layers.Layer  对象。这会让自省和调试变得更加困难，并且无法重复使用相应的层。

特征列

使用特征列进行试验的最简单方式是使用tf.feature_column.input_layer函数。此函数只接受密集列作为输入数据，因此要查看分类列的结果，你必须将其包含在tf.feature_column.indicator_column。例如：

features = { 'sales': [[5],[10],[8],[9]] 'department':['sports','sports','gardening','gardening]} department_column = tf.feature_column.categorical_column_with_vocabulary_list('department',['sports','gardening']) department_column = tf.feature_column.indicator_column(department_column) columns = [tf.feature_column.numeric_column('sales'),department_column] inputs = tf.feature_column.input_layer(features,columns)

运行inputs张量会将features解析为一批向量

特征列和层一样具有内部状态，因此通常需要将他们初始化。分类列会在内部使用对照表，而这些表需要单独的初始化指令tf.tables_initializer

var_init = tf.global_variables_initializer() table_init = tf.tables_initalizer() sess = tf.Session() sess.run(var_init,table_init)

内部状态初始化完成后，可以像运行任何其他tf.Tensor一样运行inputs:

print （sess.run(inputs)）

这显示了特征列如何打包输入矢量，在这个过程中，独热“部门”被用作第一和第二索引，“销售”用作第三个。

[[ 1. 0. 5.] [ 1. 0. 10.] [ 0. 1. 8.] [ 0. 1. 9.]]

训练

1、定义数据

首先定义一些输入值x，以及每个输入值的预期输出值y_true

x = tf.constant([[1],[2],[3],[4]],dtype = tf.float32) y_ture = tf.constant([[0],[-1],[-2],[-3]],dtype = tf.float32)

2、定义模型

接下来，定义一个简单的线性模型，其输出值只1个

linear_model=tf.layers.Dense(units=1) y_pred = linear_model(x)

可以如下评估预测值：

sess= tf.Session() init = tf.global_variables_initializers() sess.run() print (sess.run(y_pred))

模型尚未接受训练，预测值并不理想

3、损失

要优化模型，首先要定义损失，我们将适应均方误差，这是回归问题的标准损失

tf.losses提供了一系列常用损失函数，可以使用它来计算均方误差

loss = tf.losses.mean_squared_error(labels=y_true,predictions =y_pred) print (sess.run(loss))

将会生成一个损失

4、训练

TF也提供了优化器啦执行标准的优化算法，这些优化器被用作tf.train.Optimizer的子类别。他们会逐渐改变每个变量，使损失最小化。最简单的优化算法是梯度下降法。可以通过tf.train.GradientDescentOptimizer执行。他会根据损失相对于变量的导数大小来修改各个变量。

optimizer = tf.train.GradientDescentOptimizer(0.01) train = optimizer.minimize(loss)

该代码构建了优化所需要的所有图组件，并返回一个训练指令。该指令在运行时会更新图中的变量。可如下运行该指令：

for i in range(100)： _,loss_value =sess.run((train,loss)) print (loss_value)

由于train是一个指令而不是张量，因此在她运行时不会返回一个值。为了查看训练期间损失的进展，我们会同时运行损失张量，生如下损失值：

1.356591.004120.7591670.5888290.4702640.3876260.3299180.2895110.2611120.241046

完整程序

x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)linear_model = tf.layers.Dense(units=1)y_pred = linear_model(x)loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)optimizer = tf.train.GradientDescentOptimizer(0.01)train = optimizer.minimize(loss)init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)for i in range(100):  _, loss_value = sess.run((train, loss))  print(loss_value)print(sess.run(y_pred))