TensorFlow基础概念

最新推荐文章于 2019-11-03 17:54:44 发布

Hanpeng Chen

最新推荐文章于 2019-11-03 17:54:44 发布

阅读量356

点赞数 1

分类专栏：机器学习文章标签： tensorflow

本文链接：https://blog.csdn.net/Hampton_Chen/article/details/91486518

版权

机器学习专栏收录该内容

6 篇文章 0 订阅

订阅专栏

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。
TensorFlow 是Google第二代大规模分布式深度学习框架。

灵活通用的深度学习库
端云结合的人工智能引擎
高性能的基础平台软件
跨平台的机器学习系统

应用场景：
行人检测、人脸检测、行为识别、身份证自动输入与人脸图像比较、OCR+自动化审核

TensorFlow 数据流图介绍

TensorFlow数据流图是一种声明式编程范式
声明式编程与命令式编程的多角度对比
在这里插入图片描述
数据流图由有向边和节点组成

数据流图的优势：快

并行计算快
分布式计算快(CPUs,GPUs,TPUs)
预编译优化(XLA)
可移植性好(Language-independent representation)

张量(Tensor)

在数学里，张量是一种几何实体，广义上表示任意形式的“数据”。张量可以理解为0阶（rank）标量、1阶向量和2阶矩阵在高维度空间上的推广，张量的阶描述它表示数据的最大维度。

在TensorFlow中，张量表示某种相同的数据类型的多维数组
因此，张量有两个重要的属性：
1、数据类型，如浮点型、整型、字符串
2、数组形状：各个维度的大小

TensorFlow张量是什么可以总结为一下几点：

张量是用来表示多维数据的
张量是执行操作时的输入或输出数据
用户通过执行操作来创建或计算张量
张量的形状不一定在编译时确定，可以在运行时通过形状推断计算得到

几类比较特别的张量，由以下操作产生：

tf.constant     // 常量
tf.placeholder   // 占位符
tf.Variable      // 变量

变量(Variable)

变量Variable是一种特殊的张量，主要作用是维护特定节点的状态，如深度学习或机器学习的模型参数。
tf.Variable方法是操作，返回值是变量（特殊张量）
通过tf.Variable方法创建的变量，与张量一样，可以作为操作的输入和输出。

不同之处：

张量的生命周期通常随依赖的计算完成而结束，内存也随即释放
变量则常驻内存，在每一步训练时不断更新值，以实现模型参数的更新。

TensorFlow变量使用流程

在这里插入图片描述

操作(Operation)

TensorFlow用数据流图表示算法模型。数据流图由节点和有向边组成，每个节点均对应一个具体的操作。因此，操作是模型功能的实际载体。

数据流图中的节点按照功能不同可以分为3种：

存储节点：有状态的变量操作，通常用来存储模型参数
计算节点：无状态的计算或控制操作，主要负责算法逻辑表达或流程控制。
数据节点：数据的占位符操作，用于描述图外输入数据的属性。

操作的输入和输出是张量或操作（函数式编程）

TensorFlow典型计算和控制操作

在这里插入图片描述

TensorFlow占位符操作

tensorflow 使用占位符操作表示图外输入的数据，如训练数据和测试数据。
TensorFlow数据流图描述了算法模型的计算拓扑，其中的各个操作(节点)都是抽象的函数映射或数学表达式。
换句话说，数据流图本身是一个具有计算拓扑和内部结构的“壳”。在用户向数据流图填充数据前，图中并没有真正执行任何计算。

会话(Session)

会话提供了估算张量和执行操作的运行环境，它是发放计算任务的客户端，所有计算任务都由它连接的执行引擎完成。一个会话的典型使用流程分为以下3步：

# 1、创建会话
# target:会话连接的执行引擎  graph:会话加载的数据流图  config:会话启动时的配置项
sess = tf.Session(target=..., graph=..., config=...)
# 2、估算张量或执行操作
sess.run(...)
# 3、关闭会话
sess.close()

会话执行

获取张量值的另外两种方法：估算张量(Tensor.eval)与执行操作(Operation.run)

import tensorflow as tf
# 创建数据流图：y=w * x + b, 其中w和b为存储节点，x为数据节点
x = tf.placeholder(tf.float32)
w = tf.Variable(1.0)
b = tf.Variable(1.0)
y = w * x + b
with tf.Session() as sess:
    tf.global_variables_initializer().run() # Operation.run
    fetch = y.eval(feed_dict={x: 3.0}) # Tensor.eval
    print(fetch)   # fetch = 1.0 * 3.0 + 1.0