3.7　通过一个示例来认识TensorFlow

现在让我们结合示例对TensorFlow框架中的一些基本组件进行更多的解读。我们编写一个示例来执行以下计算，这在神经网络中非常常见：

h = sigmoid(W * x + b)

这里W和x是矩阵，b是向量，*表示点积。sigmoid是一个非线性变换，由下式给出：

我们将逐步讨论如何通过TensorFlow进行上述计算。

首先，我们需要导入TensorFlow和NumPy。在Python中运行任何类型的TensorFlow或NumPy相关操作之前，均必须导入它们：

    import tensorflow as tf
    import numpy as np

接下来，我们定义一个图对象，稍后将使用运算或操作和变量填充它们：

    graph = tf.Graph() # 创建一个图（graph）对象
    session = tf.InteractiveSession(graph=graph) # 创建一个会话（session）对象

graph对象包含一个计算图，该计算图连接我们在程序中定义的各种输入和输出，以获得最终所需的输出（即它定义W、x和b如何被连接以便我们根据图生成h）。此外，我们将定义一个会话对象，该对象以定义的图作为输入，执行该图。我们后面会详细讨论这些元素。

要创建新的图对象，可以使用以下操作：

    graph = tf.Graph()

也可以使用以下操作来获取TensorFlow默认计算图：

    graph = tf.get_default_graph()

现在我们将定义一些张量，即x、W、b和h。在TensorFlow中，定义张量有几种不同的方法，在这里列出三种：

（1）首先，x是一个占位符。顾名思义，占位符没有被初始化。相反，我们将在图执行时提供一些数值。

（2）其次，这里有变量W和b。由于变量是可变的，这意味着它们的值可以随时间而变化。

（3）最后，我们有h，这是一个通过对x、W和b执行一些操作而产生的不可变的张量：

        x = tf.placeholder(shape=[1,10],dtype=tf.float32,name='x')
        W = tf.Variable(tf.random_uniform(shape=[10,5], minval=-0.1,maxval=0.1,
    dtype=tf.float32),name='W')
        b = tf.Variable(tf.zeros(shape=[5],dtype=tf.float32),name='b')
        h = tf.nn.sigmoid(tf.matmul(x,W) + b)

注意，对于W和b，我们提供了一些重要的参数：

    tf.random_uniform(shape=[10,5], minval=-0.1, maxval=0.1,dtype=tf.float32)
    tf.zeros(shape=[5],dtype=tf.float32)

这些被称为变量初始化器，是最初分配给W和b变量的张量。变量不能在没有初始值的情况下作为占位符流动，并且需要始终为它们分配一些数值。这里，tf.random_uniform意味着我们在minval(-0.1)和maxval(0.1)之间均匀地采样以将值赋给张量，并且tf.zeros用零初始化张量。在定义张量时，定义张量的shape也非常重要。shape属性定义张量每个维度的大小。例如，如果形状（shape）是[10,5]，这意味着它将是一个二维结构，在0轴上有10个元素，在1轴上有5个元素。

接下来，我们将进行初始化操作，初始化图中的变量W和b：

    tf.global_variables_initializer().run()

现在，将执行计算图以获得我们需要的最终输出h。这是通过运行session.run(...)来完成的，我们将以占位符的值作为session.run()命令的参数：

    h_eval = session.run(h,feed_dict={x: np.random.rand(1,10)})

最后，关闭会话，释放session对象持有的所有资源。

    session.close()

以下是此TensorFlow示例的完整代码。本章中的所有代码示例都将在ch3文件夹中的3_tensorflow_introduction.ipynb文件中提供：