はじめに

Cloud9でTensorFlowのBasic Usageを確認しました。TensorFlowを使う上での基本的な考え方と使い方をまとめます。
GPUとかInteractiveUsageとかは入ってません。まずは基本的なコードができることを目的として、その他は必要に応じて勉強していこうと思っています。

環境

Cloud9
Python 2.7.6
Sample Codes : GitHub
環境構築は「クラウド統合開発環境Cloud9でTensorFlowを使う」を参照

TensorFlowの考え方

重要な考え方は以下の2点です。
- Graphs
- Sessions

Graphsは、値や計算を設定するクラスです。値は定数や変数、テンソル（2次元だと行列。多次元配列で定義します）などを持てます。その値の計算（例えば足し算や掛け算）を設定するのもGraphsになります。

Sessionsは、Graphsの値や計算を実行するクラスになります。TensorFlowはGPUを使えるようですが、Sessionsを介して自動的に使用してくれるようです。

そのためGraphsで値や計算を設定 => Sessionsで計算の実行
という流れになります。
以下で具体的な例を見ていきます。
GitHubのbasic_usage.py
の実行結果を順に解説していきます。

具体例

constant(定数)とSessions

import tensorflow as tf

# Graphs
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.], [2.]])
product = tf.matmul(matrix1, matrix2)

# Sessions
sess = tf.Session()
result = sess.run(product)
print(result)
# Output: [[12.]]
sess.close()

tf.constantは、定数を設定
matrix1に1×2の行列、matrix2に2×1の行列を設定
tf.matmulで行列の掛け算（ここまでがGraphsの値や計算を設定しているところ）
tf.Session()でセッションを作成
runで計算を実行
close()でセッションをクローズ
printで行列の計算結果を出力

Graphsを設定してから、Sessionsで計算を実行している流れが重要です。

Variable(変数)

# Graphs
state = tf.Variable(0)
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

init_op = tf.initialize_all_variables()

# Sessions
with tf.Session() as sess:
  sess.run(init_op)
  print(sess.run(state))
  for _ in range(3):
    sess.run(update)
    print(sess.run(state))
# Output: 0 1 2 3

tf.Variableで変数を設定
tf.addで足し算
tf.assignで足し算の結果をstateに入れ直し
tf.initialize_all_variables()で初期化（変数は初期化が必要！）
Session()でセッションを作成
run(init_op)で変数の初期化
ループでrun(update)して、結果のstateを出力

変数が順に更新されています。

複数同時にrun

# Graphs
input1 = tf.constant([3.0])
input2 = tf.constant([2.0])
input3 = tf.constant([5.0])
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

# Sessions
with tf.Session() as sess:
  result = sess.run([mul, intermed])
  print(result)
# Output: [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

コードの内容は今までと変わらないので理解できると思います。
重要なのは、run([mul, intermed])で複数の計算を同時に実行し、結果の出力も同時に出力されているところです。

placeholder（代入）

# Graphs
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

# Sessions
with tf.Session() as sess:
  print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
# Output: [array([ 14.], dtype=float32)]

tf.placeholder(tf.float32)で値を代入できるようにしています。
run([output], feed_dict={input1:[7.], input2:[2.]})で、代入して計算しています。

おわりに

Graphsを設定してから、Sessionsで計算を実行している流れが重要だと思います。簡単なコードだと特に問題ないのですが、複雑な計算になってくるとどうなるかが未知数です。
サンプルコードを変更して色々と試してみるとさらに理解が深まると思います。

まだ勉強中なので間違いがあったらコメントにご指摘ください。
今後もTensorFlowの使い方を勉強していって、加筆・修正していきたいと思います。

クラウド統合開発環境Cloud9でTensorFlowを使う〜使い方の基本〜