初识机器学习框架：TensorFlow1.X版本 的基础使用

学习网站：人工智能教程

TensorFlow的版本查看与安装

查看自己的TensorFlow版本：pip show tensorflow

这是我的：

关于TensorFlow 的安装配置确实有些麻烦，并且由于国外网站的原因，下载速度也许会非常的慢，所以这里推荐一下清华的镜像，TensorFlow的1.X版本和2.X版本有很大不同，这篇文章是介绍如何使用1.X版本的，但是请务必下载更新的版本，因为新版本也是包含旧版本的。

pip --default-timeout=100 install tensorflow==2.4.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

当然也可以看一下其他博主的博客，讲解的非常清楚，由于我已经安装过了，就不再重复演示

TensorFlow的基础使用

在Python中使用TensorFlow1.X ，首先需要导入TensorFlow的包：

//由于我下载的是2.X的版本，所以要使用1.X版本的话，需要写下面的语句
import tensorflow.compat.v1 as tf
tf.compat.v1.disable_eager_execution()
//如果本身就是1.X的版本，可以直接使用下面的语句
import tensorflow as tf

as tf 的作用是为了方便使用，这样我们在使用TensorFlow的时候就不用写全称了，直接使用tf即可

为了学习TensorFlow的框架，我们可以先实现一个简单的公式;

constant

constant 的作用就是定义一个Tensorflow的常量对象

y_hat = tf.constant(36, name='y_hat')            # 定义一个tensorflow常量
y = tf.constant(39, name='y') 

可以看到，y_hat 的值就是36，还定义了该Tensorflow常量对象的名称为y_hat，y则同理

Variable

下面计算一下loss：

loss = tf.Variable((y - y_hat)**2, name='loss')

 这里的Variable就是代表创建一个TensorFlow的常量对象，而loss就是那个常量对象，该对象的值就是执行了(y - y_hat)**2后的结果，此对象名称为loss

global_variables_initializer

global_variables_initializer用于创建TensorFlow的初始化对象，例如：

init = tf.global_variables_initializer()

这里创建了init的初始化对象，后面就可以调用init来初始化变量

Session

Session就非常重要了，他可以创建一个TensorFlow的Session对象，通过此对象，可以具体的执行前面的所有操作，我们加上Session来总结一下前面的代码：

y_hat = tf.constant(36, name='y_hat')            
y = tf.constant(39, name='y')                   loss = tf.Variable((y - y_hat)**2, name='loss')  init = tf.global_variables_initializer()                       
with tf.Session() as session:                    session.run(init)                        print(session.run(loss))   

前面四行的操作就不说了，我们将TensorFlow的Session对象命名为session，之后使用session的run方法执行init的计算，这里就体现出了一个思想：画图纸->建造

“画图纸->建造”思想

很久之前我们接触过一个叫做计算图的概念，计算图将整个计算的流程画出来，有助于我们一步一步的进行计算，思路更加清晰，而这里的前面四行代码其实就是构建了一个计算图;

但是也只是构建了一个计算图，并没有执行具体的计算，如果需要执行具体的计算，就需要使用TensorFlow中的Session中的run方法，这张计算图的结果才算是被计算出来了，也就是图纸上的建筑被建造出来了 

如果我们直接执行对init的输出操作，那输出的结果只会是init的关于TensorFlow的一些属性和信息，像这样：Tensor("Mul:0", shape=(), dtype=int32)

Session的不同写法 

方法一;

sess = tf.Session()
result = sess.run(..., feed_dict = {...})
sess.close() 

方法二：

with tf.Session() as sess: result = sess.run(..., feed_dict = {...})

本质上都是先创建一个Session对象，然后使用run方法执行计算图，需要注意的是Session需要关闭，即执行close，方法一需要手动关闭，方法二计算完成后就自动关闭。

placeholder占位符

 占位符可以为一个变量预先留好一个位置，只有在使用时再对占位符进行数值的填充操作;

x = tf.placeholder(tf.int64, name = 'x')
print(sess.run(2 * x, feed_dict = {x: 3}))
sess.close()

这里定义了一个x的占位符，数值大小为int64，名称为x

在我们执行2*x的时候，由于x是一个占位符，没有任何数据，所以此时就需要feed_dict语句给x赋值，feed_dict的语法差不多是固定的：feed_dict = {变量名 ： 数值}，然后将赋值后的变量带入到2*x中的x去，可以理解为一个从后到前的过程。

matmul

在机器学习中，我们对大量数据的操作一般都是使用的矩阵运算，在TensorFlow中，提供了一个矩阵运算的方法matmul

假如我们现在需要构建一个线性函数Z = WX + b ，其中W是特征向量，X是数据集，b是阈值向量，他们都需要进行矩阵运算，此时我们就可以使用matpul了：

def linear_function():   X = tf.constant(np.random.randn(3, 1), name = "X") W = tf.constant(np.random.randn(4, 3), name = "W")b = tf.constant(np.random.randn(4, 1), name = "b")Z = tf.add(tf.matmul(W, X), b)# tf.matmul函数会执行矩阵运算sess = tf.Session()result = sess.run(Z)sess.close()return result

这里的X是一个维度为（3,1）的常量，使用randn来随机产生值，下面同理

注意这里的Z，add顾名思义就不用多说了，相加操作，WX与b进行相加，matpul（X，W）则是执行了矩阵相乘。稍微思考一下，最后输出的result应该是一个（4,1）维度的向量

实现Sigmoid函数

在前面，我们大费周章讲解了Sigmoid的底层计算原理，但是在TensorFlow框架中，短短几行就完成了计算：

def sigmoid(z):x = tf.placeholder(tf.float32, name="x") sigmoid = tf.sigmoid(x) # 调用tensorflow的sigmoid函数，并且将占位符作为参数传递进去with tf.Session() as sess:result = sess.run(sigmoid, feed_dict = {x: z}) return result

回忆一下Sigmoid函数，它是需要我们的Z来执行计算的，所以显示定义了一个占位符，以便于后续填充Z的值，至于Sigmoid，只需要短短的一行代码就解决了战斗：tf.sigmoid(x)，这里的x是在后面用run执行的时候填充进去的参数Z的值。

实现Cost函数

Cost是损失值，在前面的文章中，Cost我们使用纯数学公式和纯Python代码将其实现了，而使用TensorFlow，却只需要短短一行：

tf.nn.sigmoid_cross_entropy_with_logits(logits = ...,  labels = ...)

这里的logits指的是神经网络中最后一层输出的Z，label就是真实的标签y，不知道你们细不细心，为什么执行Cost计算只需要最后的Z就可以了呢？难道不是计算Sigmoid之后的A吗？其实这个函数除了帮我们执行计算损失之外，也自动为我们最后一层的Z执行了Sigmoid的计算

当然，如果你最后一层不想用Sigmoid，而是想用多分类函数SoftMax，TensorFlow也提供了方法：

tf.nn.softmax_cross_entropy_with_logits(logits = ..., labels = ...)

One-hot 独热编码

 假设我们要执行这样的操作：

这在一些多分类模型中经常使用，在TensorFlow中，也有对应的函数帮我们完成了：one_hot

def one_hot_matrix(labels, C_in):C = tf.constant(C_in, name='C')one_hot_matrix = tf.one_hot(indices=labels, depth=C, axis=0)sess = tf.Session()one_hot = sess.run(one_hot_matrix)sess.close()return one_hot

我们传入的label参数就是真实的标签，C_in就是一共有几个类别，比如上面那张图，只有0~3四个数字，那就是4类，C_in就是4，其他部分其实前面都讲过了，简单的一行tf.one_hot，就帮我们把所有的工作做完了，假如我们有label为：labels = np.array([1,2,3,0,2,1])

                                那我们执行：one_hot = one_hot_matrix(labels, C_in=4)

最后的输出就是这样的;