TensorFlow学习笔记_Lecture 2 Tensorflow Operations

本博客是根据斯坦福大学的一门 tensorflow 课程的课件整理。这是课程地址 CS 20: Tensorflow for Deep Learning Research。

1 TensorBoard 使用简介

• tensorboard 可以用来使你创建的图可视化，比如你创建了一个复杂的神经网络，复杂到自己都不太理解，这时候就可以用 tensorboard 来看一看你的图，让你更好的去训练、调试或者优化。

• 我们首先给出使用的方法，

  import tensorflow as tf
  
  a = tf.constant(2)
  b = tf.constant(3)
  x = tf.add(a, b)
  
  writer = tf.summary.FileWriter('./graphs',tf.get_default_graph())
  
  with tf.Session() as sess:
        # writer = tf.summary.FileWriter('./graphs', sess.graph)
        print(sess.run(x))
  writer.close()

• 如果你还记得上一节课写的程序，那你应该能注意到这里多了两行程序。想要使用 tensorboard ，就得先将你定义的图写到日志文件里，用法是：

  writer = tf.summary.FileWriter([logdir], [graph])

  其中的 [logdir] 是你日志文件的目录。需要注意的一点是，在 windows 系统上，你的目录路径要么是类似./graphs 这样在日志文件的上一层。要么拥有更长的路径，这时候你需要用双斜杠分开路径，比如 E:\\TensorBoard\\logfile.

  [graph]是你想要查看的图，一般是你当前正在使用的。你可以使用 tf.get_default_graph() 或者 sess.graph 作为参数（当然你得先创建一个 sess才能这么写）。

  注意：上述的语句必须得写在你定义好图之后，执行计算之前。

• 接下来，运行的程序，并启动 tensorboard，在命令行输入：

  python [filename.py]
  tensorboard --logdir="./graphs" --port 6006

  [filename.py] 是你自己程序的名字，logdir= 后面也要改成你自己的目录，port 是可选的参数，tensorboard 默认的端口就是 6006.

• 然后根据屏幕上的提示，在浏览器输入地址，就可以看到刚才创建的图了。

  

  

• 你还可以自定义上面节点的名字，将代码中的几行改成如下：

  a = tf.constant(2, name="a")
  b = tf.constant(3, name="b")
  x = tf.add(a, b, name="add")

  再运行 tensorboard 以后就会变成：

  

  注意：如果你重复运行程序，目录下会生成多个日志文件，需要自己手动清理一下。

• 现在你已经知道了怎么使用tensorboard ，还有很多其他功能需要你自己去探索。

2 Constant 常量

• 可以直接创建一个常量，我们之前已经试过很多次了：

  tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
  
  # constant of 1d tensor (vector)
  
  a = tf.constant([2, 2], name="vector")
  
  # constant of 2x2 tensor (matrix)
  
  b = tf.constant([[0, 1], [2, 3]], name="matrix")

• 可以创建一个特定维数的张量(tensor)，然后填入特定的值：

  tf.zeros(shape, dtype=tf.float32, name=None)
  
  # create a tensor of shape and all elements are zeros
  
  tf.zeros([2, 3], tf.int32) ==> [[0, 0, 0], [0, 0, 0]]

  tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)
  
  # create a tensor of shape and type (unless type is specified) as the input_tensor but all elements are zeros.
  
  
  # input_tensor [[0, 1], [2, 3], [4, 5]]
  
  tf.zeros_like(input_tensor) ==> [[0, 0], [0, 0], [0, 0]]

  tf.ones(shape, dtype=tf.float32, name=None)
  
  # create a tensor of shape and all elements are ones
  
  tf.ones([2, 3], tf.int32) ==> [[1, 1, 1], [1, 1, 1]]

  tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)
  
  # create a tensor of shape and type (unless type is specified) as the input_tensor but all elements are ones.
  
  
  # input_tensor is [[0, 1], [2, 3], [4, 5]]
  
  tf.ones_like(input_tensor) ==> [[1, 1], [1, 1], [1, 1]]

  tf.fill(dims, value, name=None)
  
  # create a tensor filled with a scalar value.
  
  tf.fill([2, 3], 8) ==> [[8, 8, 8