本文翻译自： 《TensorFlow Basics》， 如有侵权请联系删除， 仅限于学术交流， 请勿商用。 如有谬误， 请联系指出。
TensorFlow 和其他数值计算库（如 NumPy）之间最显著的区别在于 TensorFlow 中的操作是基于符号运算的。 这是一个强大的概念， 它允许 TensorFlow 执行命令式库（如 NumPy）所不能做的所有事情（例如， 自动区分）。 但这也要付出更大的代价。 在我我试图揭秘 TensorFlow， 并提供一些指导方针和最佳实践， 以便更有效地使用 TensorFlow。 让我们从一个简单的例子开始， 我们要乘以两个随机矩阵。 首先， 我们看一个在 NumPy 完成的实施：
import numpy as np
x = np.random.normal(size=[10, 10])
y = np.random.normal(size=[10, 10])
z = np.dot(x, y)
print(z)
现在我们在 TensorFlow 中执行完全相同的计算：
import tensorflow as tf
x = tf.random_normal([10, 10])
y = tf.random_normal([10, 10])
z = tf.matmul(x, y)
sess = tf.Session()
z_val = sess.run(z)
print(z_val)
与立即执行计算并生成结果的 NumPy 不同， tensorflow 只向图中表示结果的节点提供一个 handle（类型为 Tensor）。 如果我们尝试直接打印 Z 值， 我们会得到这样的结果：
Tensor("MatMul:0", shape = (10, 10), dtype = float32)
由于两个输入都具有完全定义的形状， 所以 tensorflow 能够推断 张量 的形状及其类型。 为了计算张量的值， 我们需要创建一个 会话 并使用 Session.run() 方法评估它。
提示： 当使用 Jupyter 笔记本时， 请确保在定义新节点之前在开始调用 tf.reset_default_graph() 来清除符号图。
为了理解符号计算有多么强大， 让我们看看另一个例子。 假设我们有来自曲线（例如 f(x)=5x^2+3 ）的样本， 并且我们希望基于这些样本预测 f(x) 。 我们定义一个参数函数 g(x, w) = w0 x^2 + w1 x + w2 ， 它是输入 x 和潜在参数 w 的函数， 我们的目标是找到潜在的参数， 使得 g(x，w)≈f(x) 。 这可以通过最小化损失函数来完成： L(w) = ∑ (f(x) - g(x, w))^2. 。 虽然这个简单问题有一个闭合解(a closed form solution)， 但我们选择使用更通用的方法， 可以应用于任意的可微函数， 并且使用随机梯度下降。 我们简单地计算 L(w)相对于一组采样点上的 w 的平均梯度， 并沿相反方向移动。
以下是利用 TensorFlow 完成的代码：
import numpy as np
import tensorflow as tf
# Placeholders are used to feed values from python to TensorFlow ops. We define
# two placeholders, one for input feature x, and one for output y.
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
# Assuming we know that the desired function is a polynomial of 2nd degree, we
# allocate a vector of size 3 to hold the coefficients. The variable will be
# automatically initialized with random noise.
w = tf.get_variable("w", shape=[3, 1])
# We define yhat to be our estimate of y.
f = tf.stack([tf.square(x), x, tf.ones_like(x)], 1)
yhat = tf.squeeze(tf.matmul(f, w), 1)
# The loss is defined to be the l2 distance between our estimate of y and its
# true value. We also added a shrinkage term, to ensure the resulting weights
# would be small.
loss = tf.nn.l2_loss(yhat - y) + 0.1 * tf.nn.l2_loss(w)
# We use the Adam optimizer with learning rate set to 0.1 to minimize the loss.
train_op = tf.train.AdamOptimizer(0.1).minimize(loss)
def generate_data():
x_val = np.random.uniform(-10.0, 10.0, size=100)
y_val = 5 * np.square(x_val) + 3
return x_val, y_val
sess = tf.Session()
# Since we are using variables we first need to initialize them.
sess.run(tf.global_variables_initializer())
for _ in range(1000):
x_val, y_val = generate_data()
_, loss_val = sess.run([train_op, loss], {x: x_val, y: y_val})
print(loss_val)
print(sess.run([w]))
通过运行这段代码， 你应该看到接近这个的结果：
[4.9924135, 0.00040895029, 3.4504161]
这是我们参数的一个相对接近的近似值。
对于 TensorFlow 来说， 这只是冰山一角。 许多问题， 例如优化具有数百万参数的大型神经网络， 只需几行代码就可以在 TensorFlow 中高效实现。 TensorFlow 考虑到了多个设备和线程的扩展， 并支持各种平台。