Intro to TensorFlow

Core TensorFlow part 1

TensorFlow介紹

講了那麼多觀念，差不多要開始進入實際開發的流程了。
現在最多人使用以及討論度最高的無非是TensorFlow，我習慣使用的keras也是建立在此套架構以上，我也是第一次實際接觸TensorFlow所以有講錯的地方也請大家多多指教。
TensorFlow是開源的系統特別在數值運算中表現很好，並且擁有圖形化的呈現，這些優點使得TensorFlow在建構機器學習模型非常有優勢。除了這些以外，TensorFlow能夠直接應用在不同硬體設備上，不論是使用CPU、GPU都是能夠共用的，由此可見任何作業軟體都能夠相容，我拿哪一種手機都能享受到機器學習的好處；並且可以透過federated learning的方式為自己的設備進行更新，TensorFlow優點不勝枚舉。
下方這張圖就是使用TensorFlow開發的階級，從利用CMLE能夠建構出利用TensorFlow整體架構，從一開始要使用何種裝置到與裝置連結的C++API，再包裝成python的高階語言，接著建構訓練的Model與評估方式，最後利用estimator來進行訓練。

求值

而利用TensorFlow跟其他方法不一樣的地方就是如下圖所示，numpy能夠快速的將數值進行運算，而TensorFlow必須先建立相關圖形，若是直接Print看到成果並不是數值輸出，需要利用呼叫圖形的方式來執行程式，才能看到數值輸出，所以TensorFlow被稱為lazy evaluation，使用這種方式的原因是可以進行分散式的計算，比起其他方式更加節省資源。

import as tf
x = tf.constant([4, 5, 6]) 
y = tf.constant([1, 2, 3]) 
z = tf.add(x, y)

想利用上述變數查看結果的方法可以使用，達到的效果都是一樣的，唯一不同的是利用Session能夠一次執行多個圖形而eval()只能針對一個去做驗證:

with tf.Session() as sess:
 print sess.run(z)
 print z.eval()
 print sess.run([z])

以上方法結果都能看到[4 7 10]的結果，這也是其中一題test的題目

若是希望能夠不使用Session的架構，可以使用TensorFlow提供的Eager mode來求的數值。

tensor

tensor(張量)是一種N維的資料表示方法。

而tensor有是可以被sliced、reshape

1. 使用指定的方式選擇我要選擇的數列
2. 重新組合我的矩陣結構

#sliced
import tensorflow as tf 
x = tf.constant([[1,2,3,4],[5,6,7,8]])
y = x[:,1]
with tf.Session() as sess:
    print y.eval()

output = [2,6]

#reshape
import tensorflow as tf 
x = tf.constant([[1,2,3,4],[5,6,7,8]])
y = tf.reshape(x, [4,2])
with tf.Session() as sess:
    print y.eval()

output = 
[[1 2]
 [3 4]
 [5 6]
 [7 8]]

TensorFlow程式語法

下方程式是利用迭代的方式來進行訓練，首先forward_pass是定義w與x相乘的function；train_loop將建置model並且初始化weights設定為1*2matrix；接著利用for迴圈迭代w結果並回傳。上述的定義結束後，就定義一個session來執行上述動作，首先要先在train_loop放入要計算的matrix，初始化變數後批次回傳預測結果。

也可以使用placeholder的方式來先創造一個變數來存放，直到呼叫圖形時將指定數值輸入，省去一開始就要建構所有數值的方法。

import tensorflow as tf 
var_name1 = tf.placeholdr("your type", dim)
var_name2 = var_name1 * 100

with tf.Session() as sess:
    print(sess.run(b, feed_dict={var_name1:[12323,31,321,43,4,32,4,]}))
 

※圖片參考至 Intro to TensorFlow resource