tensorflow学习笔记（2）——基础（二）——张量和会话

tensorflow学习笔记（2）

3张量flow

1概念

数据用张量的形式来表示，功能上看，张量可以理解为多维数组，第n阶张量就上一个n维数组，但实现不是数组形式，只是对TF中计算结果的引用，其中没有真正保存数字，而是如何得到这些数字的计算过程。

import tensorflow as tf
#tf.constant是一个计算，其结果为一个张量，保存在变量a中
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a+b
# result = tf.add(a, b, name="add")
#两行代码效果一样
print (result)
'''
输出：
Tensor("add:0", shape=(2,), dtype=float32)
'''

TF的计算结果不是一个具体数字而是一个张量的结构，一个张量中保存了3个属性：name, shape, type
1. name不仅是一个张量的唯一标识符，也给出了这个张量如何计算出来，计算图上每个节点代表一个计算，其命名可以通过node:src_ouput形式给出，其中node为节点名称，src_ouput表示当前向量来自节点的第几个输出。
2. shape描述了张量的维度信息，上面的shape=(2, )表示result是一个一维数组其长度为2。
3. type描述了张量的唯一类型，TF会进行类型检查。TF支持14种类型：
实数（tf.float32, tf.float64）
整数（tf.int8, tf.int16, tf.int64, tf.uint8）
布尔型（tf.bool）
复数（tf.comlex64, tf.complex128）

2使用

两大类用途
1. 对中间计算结果的引用，提高代码可读性
2. 获得计算结果（使用session得到具体数字，tf.Session().run(result))

集合（collection）可管理不同类别的资源。
几个常用的自动维护的集合：

集合名称	集合内容	使用场景
tf.GraphKeys.VARIABLES	所有变量	持久化Tensorflow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可学习的变量（神经网络中参数）	模型训练、生成模型可视化内容
tf.GraphKeys.SUMMARIES	日志生成相关的张量	TF计算可视化
tf.GraphKeys.QUEUE_RUNNERS	处理输入的QueueRunner	输入处理
tf.GraphKeys.MOVING_AVERAGE_VARIABLES	所有计算了滑动平均值的变量	计算变量的滑动平均值

4运行模型-会话session

计算图和张量组织数据和运算，会话用来执行定义好的运算，session拥有并管理TF程序运行时的所有资源，所有计算完成后需要关闭会话来帮助系统回收资源。使用会话模式有两种
1. 显式调用会话生成函数和关闭会话函数

#创建一个会话
sess = tf.Session()
sess.run(...)
#关闭会话，释放本次运行中使用的资源
sess.close()

1. 使用上下文管理器with

#创建一个会话并通过上下文管理器管理这个会话
with tf.Session() as sess:
    sess.run()
#不需要再调用“Session.close()”来关闭会话，当上下文退出时就自动完成了

TF不会生成默认会话，需要手动指定。默认对话指定后可以通过tf.Tensor.eval来计算一个张量的取值。如下：

sess = tf.Session()
with sess.as_defalut():
    print(result.eval())

下面的代码实现同样功能

sess = tf.Session()
#下面两个命令功能相同
print(sess.run(result))
print(result.eval(session=sess))

在交互式环境下使用tf.InteractiveSession省去将产生的会话注册为默认会话的过程，可以自动将生成的会话注册为默认会话。
两种方法都可以使用ConfigProto Protocol Buffer来配置需要生成的会话。方法如下：

config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)

来配置类似并行的线程数、GPU分配策略、运算超时时间等参数。最常用2个布尔型参数：
allow_soft_placement， 为True时，三个条件成立任意一个，GPU上的运算可以放到CPU：
1. 运算无法在GPU上执行
2. 无GPU资源
3. 运算输入包含对CPU计算结果的引用
log_device_placement， 为True时，日志中将会记录每个节点被安排在了哪个设备上以方便调试。设为False可减少日志量。