刚开始介绍的是Tensorflow1.13.1版本，后来介绍的是2.0.0和2.1.0版本（附3个版本的代码）_reset_default_graph在哪个版本的tensorflow里

1. TensorFlow = Tensor + Flow（张量+流）
2. 在TensorFlow中，所有的数据都通过张量的形式来表示；
3. 张量并没有真正保存数字，它保存的是计算过程
4. 张量的阶（rank）表示的是：张量的维度
5. 从功能的角度，张量可以简单理解为多维数组
   零阶张量表示标量（scalar），也就是一个数；
   一阶张量为向量（vector），也就是一维数组；
   n阶张量可以理解为一个n维数组；
6. 三个术语描述张量的维度：阶（rank）、形状（shape） 、维数（dimension number）

7. TensorFlow支持14种不同的类型

• 张量的默认类型：
  不带小数点的数会被默认为int32
  带小数点的会被默认为float32

• 不同类型的张量不能进行运算。
  TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错
  

8. 操作
   计算图中的节点就是操作（Operation）
   • 一次加法是一个操作
   • 一次乘法也是一个操作
   • 构建一些变量的初始值也是一个操作

• 每个运算操作都有属性，它在构建图的时候需要确定下来
• 操作可以和计算设备绑定，指定操作在某个设备上执行
• 操作之间存在顺序关系，这些操作之间的依赖就是“边”
• 如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B

import tensorflow as tf
# 简单的运算
a = tf.Variable(1,name='a') #定义变量a
b = tf.add(a, 1,name='b') #定义操作b = a+1
c = tf.multiply(b,4,name='c')#定义操作c=b*4
d = tf.subtract(c,b,name='d') # 定义操作d=c-b
1
2
3
4
5
6

数据流图如下：

9. 会话（session）

• 会话拥有并管理TensorFlow程序运行时的所有资源
• 当所有计算完成之后需要关闭会话（使用Session.close()函数）帮助系统回收资源，当程序因为异常退出时，关闭会话函数可能就不会被执行从而导致资源泄漏
  对此，可以使用try…except…finally…来确保会话可以顺利关闭
  举个例子：

tens1 = tf.constant([1,2,3])
sess = tf.Session()
try:
    print(sess.run(tens1))
except:
    print("Exception!")
finally: # 确保能关闭会话使得本次运行中使用到的资源可以得到释放
    sess.close()
1
2
3
4
5
6
7
8

另外，还可以使用上下文管理器来管理这个会话,此时不需要关闭使用sess.close()来关闭会话

# 使用上下文管理器来管理会话
with tf.Session() as sess:
    print(sess.run(tens1))
1
2
3

注意：Tensorflow不会自动生产默认的会话，需要手动指定
当默认的会话被指定之后可以通过 tf.Tensor.eval 函数来计算一个张量的取值
另外，使用tf.InteractiveSession 这个函数也会自动将生成的会话注册为默认会话
10. 常量、变量

• 在运行过程中值不会改变的单元（比如，常量），在TensorFlow中无须进行初始化操作

创建过程：
tf.constant(
value,
dtype=None,
shape=None,
name=‘Const’
)
在创建常量时只有value值是必填的，dtype
等参数可以缺省，会根据具体的value值设置
相应的值

最主要的是(代码eg:）：constant_ name = tf.constant(value)

• 在运行过程中值会改变的单元（比如，变量），在TensorFlow中须进行初始化操作

创建语句：
注意V是大写字母
变量 Variable
tf.Variable (
initial_value,
dtype=None,
shape=None,
trainable =True
name=’Variable’
)
变量在创建时必须确定初始值，可以像定义常量一样;
在变量的参数中，trainable参数用来表征当前变量是否需要被自动优化(如果要变量始终不变可以采用trainable =Flase，
创建变量对象时默认是启用自动优化标志

最主要的是(代码eg:）：name_variable = tf.Variable(value) # 注意V是大写字母

个别变量初始化：
init_op = name_variable.initializer()
所有变量初始化：
init_op = tf.global_variables_initializer()

11. 占位符（placeholer）

• TensorFlow中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，比如训练数据，这时候需要用到占位符
• tf.placeholder占位符，是TensorFlow中特有的一种数据结构，类似动态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”占位符
• TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的Type和Shape

占位符Placeholder的函数接口如下：
tf.placeholder(dtype, shape=None, name=None)

# 生成2x3的二维数组，矩阵种的每个元素类型都是tf.float32
x = tf.placeholder(tf.float32,[2,3],name='tx')
1
2

12. Feed提交数据和Fetch提取数据

• 如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过feed_dict参数传递进去，否则报错
• 会话运行完成之后，如果我们想查看会话运行的结果，就需要使用fetch来实现，feed、fetch一般搭配起来使用

13. TensorBoard 可视化初步

• TensorBoard是TensorFlow的可视化工具
• 通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态
• TensorBoard和TensorFlow程序跑在不同的进程中
• TensorBoard不需要额外安装，在TensorFlow安装时已自动完成

tf.reset_default_graph() # 清除default graph和不断增加的节点
logdir = 'F:\log' #日志路径
# 简单的运算，定义一个简单的计算图
a = tf.Variable(1,name='a')  #定义变量a
b = tf.add(a, 1,name='b')    #定义操作b = a+1
c = tf.multiply(b,4,name='c')#定义操作c=b*4
d = tf.subtract(c,b,name='d')#定义操作d=c-b
writer = tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()
1
2
3
4
5
6
7
8
9

接下来，在prompt切换目录(anaconda)

cd F:/log
tensorboard --logdir=F:/log
最后在 浏览器输入网址：http://localhost:6006

关于tensorflow 1.xx版本，代码可以查看我在kesci平台里利用tensorflow1.13.1写的代码：tensorflow_learning
而tensorflow2.xx版本，和1.xx的版本有很大的区别，

而tensorflow2.0.0和2.1.0似乎也有些区别，
2.0.0：

2.1.0：

可以看到他们的输出是有区别的，2.1.0比2.0.0少了个id
必须说的是，在控制台输入node3和print(node3)，输出格式也是有区别的

总体而言，2.1.0版本和2.0.0版本的区别不会太大

• 一些简单的操作函数和属性的获取：
  

14. 类型转换
不同类型的数据不能进行运算，怎么办？
答案是：通过tf.cast()进行数据类型转换

15. 关于shape和reshape
如果shape参数值被设定，则会做相应的reshape工作

16. 在2.1.0版本中，我想要创建一个变量报错了

网上找了资源弄了下，tensorflow就，，，不能再用了
对此，我卸载了2.1.0版本，下载了2.0.0版本
可以阅读这篇文章对于新手，安装tensorflow2.1.0好还是安装2.0.0好？,个人推荐下载2.0.0版本，可以少遇到一些trouble
接下来附上2.0.0版本和2.1.0的一些代码，都在下面的代码中，有运行后出不同的结果的，我都注明了

# -*- coding: utf-8 -*-
import tensorflow as tf
print(tf.__version__)
# '2.0.0'
#2.1.0版本输出'2.1.0'

node1 = tf.constant([[2,1],[2,2]],tf.float32)
node2 = tf.constant([[3,1],[2,4]],tf.float32)
node3 = tf.add(node1,node2)
node3
#<tf.Tensor: id=2, shape=(2, 2), dtype=float32, numpy=
#array([[5., 2.],
#       [4., 6.]], dtype=float32)>  
#2.1.0没有id属性

print(node3.numpy())
#[[5., 2.],[4., 6.]]
# 2.1.0输出：array([[5., 2.],[4., 6.]], dtype=float32)
print(node3.shape)
#(2, 2)
print(node3.get_shape())  #等价于node3.get_shape()
#(2, 2)
print(node3.dtype)
#<dtype: 'float32'>

#类型转换（不同类型不能进行运算，需要进行转换）
a = tf.constant([1,2])
b = tf.constant([2.0,3.0])

a = tf.cast(a,tf.float32)
result = tf.add(a,b)
print(result)
# tf.Tensor([3. 5.], shape=(2,), dtype=float32)

#在创建的同时指定数据类型，在数值兼容的情况下会自动做数据类型转换
a = tf.constant([1,2],tf.float32)

# reshape的使用
c = tf.constant([1,2,3,4,5,6,7,8,9],shape=(3,3))
print(c)

v = tf.Variable(5)
print(v)
# <tf.Variable 'Variable:0' shape=() dtype=int32, numpy=5>
print(v.assign(v+1))
# <tf.Variable 'UnreadVariable' shape=() dtype=int32, numpy=6>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

接下来，敲重点！！！
这是我在使用2.1.0版本的时候报错了

Attibterror gogle.rouf .pyext. pesse RepeatelCcmposteCo. objet has no ttribute 'ppend

遇到这种问题，可以使用tensorflow.compat.v1代码包来兼容原有的代码。

import tensorflow.compat.v1 as tf 
tf.disable_v2_behavior()
1
2

17. 1.xx和2.xx在图执行机制上的区别（重点！！！）

• TensorFlow 2代码的执行机制默认采用Eager Execution（动态图执行机制）

• TensorFlow 1.x版本代码的执行主要是基于传统的Graph Execution（静态图执行）机制，存在着一定弊端，如入门门槛高、调试困难、灵活性差、无法使用 Python 原生控制语句等

• 静态图执行模式对于即时执行模式效率会更高，所以通常当模型开发调试完成，部署
  采用图执行模式会有更高运行效率。在TensorFlow 2里也支持已函数方式调用计算图。

• TensorFlow 1.x版本代码的执行模式缺省是图执行模式。
  这种基于静态计算图的图执行模式把程序分为两部分：
  1）构建阶段：建立一个 “计算图”，通过图的模式来定义数据与操作的执行步骤；
  2）执行阶段：建立一个会话，使用会话对象来实现计算图的执行。

• 在TensorFlow 2中实现图执行模式开发

  • TensorFlow 2 虽然TensorFlow 1.X有较大差异，不能直接兼容TensorFlow 1.X
    代码。但实际上还是提供了对TensorFlow 1.X 的 API支持
  • 原有的TensorFlow 1.X 的 API整理到tensorflow.compat.v1包里去了
    TensorFlow 2 中执行或者开发TensorFlow 1.X代码，可以做如下处理：

  在TensorFlow 2 版本中使用1.x版本的东西，操作是
  1. 导入TensorFlow时使用 import tensorflow.compat.v1 as tf 代替import
  tensorflow as tf；
  2. 执行tf.disable_eager_execution() 禁用TensorFlow 2默认的即时执行模式

• 在TensorFlow 2中由于是采用即时执行模式，变量创建后就能直接参与计
  算，即时得到运算结果。

• 但在TensorFlow 1.X图执行模式中，在模型的其它操作运行之前先明确地
  完成变量初始化工作，否则会报错。