零基础学习TensorFlow——计算模型、数据模型、运行模型!

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/PursueWin/article/details/98790587


本篇文章主要介绍TensorFlow的基本概念,包含TensorFlow的计算模型、数据模型和运行模型。


TensorFlow计算模型——计算图

计算图的概念

TensorFlow的名字中已经说明了最重要的两个概念——Tensor(张量)和Flow(流)。TensorFlow是通过一个计算图的形式来表达计算的编程系统。TensorFlow中的每一个计算都是计算图上的一个节点,节点之间的边描述了计算之间的依赖关系。如果一个运算的输入依赖于另一个运算的输出,那么两个运算有依赖关系。

下图中,a和b两个常量不依赖任何其他计算,add计算则依赖读取两个常量的取值。所以在下图中就得到一条从a到add的边和从b到add的边。没有任何计算依赖add节点,所以add节点没有指向其他节点的边。TensorFlow的程序都可以通过类似下图所示的计算图形式来表示。
在这里插入图片描述


计算图的使用

TensorFlow 程序一般可以分为两个阶段:

第一个阶段需要定义计算图中所有的计算;
第二个阶段为执行计算。
下边给出计算图中的定义阶段,只是定义每个变量,相当于一个定义说明:

  import tensorflow as tf
    a= tf.constant([l.O, 2 .0], name=”a”)
    b = tf.constant([2.0, 3.0], name=”b ”)
    result = a + b

说明:

在Python中一般会采用**“ impot tensorflow as tf”**的形式来载入TensorFlow,这样可以使用“ tf”来代替“ tensorflow”作为模块名称,使得整个程序更加简洁。

TensorFlow 会自动将定义的计算转化为计算图上的节点 。在TensorFlow程序中,系统会自动维护一个默认的计算图,通过 tf.get_default_graph 函数可以获取当前默认的计算图。以下代码示意了如何获取默认计算图以及如何查看一个运算所属的计算图 :

#通过a.graph可以查看张所属的计算图。
# 因为没有特意指定,所以这个计算图应该等于
#当前默认的计算图。所以下面这个操作输出值为True。
print(a.graph is tf.get_default_graph())

除了使用默认的计算图,TensorFlow支持通过tf.Graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享。以下代码示意了如何在不同计算图上定义和使用变量:

import tensorflow as tf
gl = tf.Graph()
with gl.as_default () :
    # 在计算图g1中定义变量v,并初始化为0
    v = tf.get_variable(” v ”, initializer=tf.zeros_initializer(shape=[l)))
 
g2 = tf.Graph()
with g2.as_default () :
    # 在计算图g2中定义变量v,并初始化为1
    v = tf.get_variable(” v ”, initializer=tf.ones_initializer(shape=[l)))
 
# 在计算图g1中读取变量“v”的值
with tf.Session(graph = g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse = True):
        # 在计算图g1中,变量“v”的取值应该为0,所以下面这行输出为[0.]
        print(sess.run(tf.get_variable("v")))    
 
# 在计算图g2中读取变量“v”的值
with tf.Session(graph = g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse = True):
        # 在计算图g2中,变量“v”的取值应该为1,所以下面这行输出为[1.]
        print(sess.run(tf.get_variable("v")))   

以上代码产生了两个计算图,每个计算图中定义了一个名字为“v”的变量。在计算图g1中,将 v 初始化为 0 ;在计算图 g2 中,将 v 初始化为1 。可以看到当运行不同计算图时,变量 v 的值也是不一样的。


tf.Graph.device指定运算设备

TensorFlow中的计算图不仅既可以隔离张量和计算,也可以额用来管理计算机制。如可以使用tf.Graph.device函数来指定运行计算的设备,这就为TensorFlow使用GPU提供了机制。如下程序即为将加法计算使用GPU实现:

g=tf.Graph()
#指定算运行的设备
with g.device('/gpu:0'):
    result = a + b

TensorFlow数据模型——张量

张量的概念

在TensorFlow中,所有的数据都通过张量的形式表示。简单的理解,张量可以理解为多维数组。张量中并不存储真正的数字,保存的是这些数字的计算过程。如下代码所示,得到的结果不是加法的结果,而是得到对结果的一个引用,计算过程:

import tensorflow as tf
# tf.constant是一个计算,这个计算结果作为一个张量,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 = tf.add(a, b, name = "add")
print result
```
输出:
Tensor("add:0", shape = (2,), dtype = float 32)

一个张量中主要保存了三个属性:

  1. 名字(name): 一个张量的唯一标识符,它同样也给出了这个张量是如何计算出来的。张量的命名可以通过“node:src_output”形式给出,其中noe为节点的名称,src_output表示当前张量来自节点的第几个输出。如上边的“add: 0”b表示result是计算节点“add”输出的第一结果(编号从0开始)
  2. 维度(shape): 描述张量的维度信息
  3. 类型(type): 每一个张量都会有唯一的类型。TensorFlow会对参与运算的所有张量进行类型检查,当类型不匹配时就会报错,如下所示:
      import tensorflow as tf
      a = tf.constant([1, 2], name = " a ")
      b = tf.constant([2.0, 3.0], name = " b ")
      result = a + b

上述代码由于a和b的类型不匹配,一个整形的,一个float型的所以会报如下的错误(大意为张量转换需要int32类型,实际却为float类型):

ValuesError:Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape =(2,), dtype = float32)'

张量的使用

张量使用主要可以总结为两大类:

(1)第一类用途是对中间计算结果的引用。当一个计算包含很多中间结果时,使用张量可以大大提高代码的可读性。以下为使用张量和不使用张量记录中间结果来完成向量相加的功能的代码对比 :

import tensorflow as tf
# 使用张量,a、b为张量
a = tf.constant([1, 2], name = " a ")
b = tf.constant([2.0, 3.0], name = " b ")
result = a + b

# 直接计算向量的和,这样可读性就差一些
result = tf.constant([1, 2], name = " a ")+
          tf.constant([2.0, 3.0], name = " b ")

上述代码中,a和b其实就是对常量生成这个预算结果的引用,可以提高代码的可读性。

(2)第二类情况是当计算图构造完成之后,张量可以用来获得计算结果,也就是得到真实的数字。


TensorFlow运行模型——会话

会话的概念

会话主要用来执行定义好的运算,管理TensorFlow程序运行时的所有资源。所以,程序运算结束时,需要关闭会话来帮助系统回收资源,否则就会出现资源泄露问题。


会话的使用

TensorFlow使用会话的两种模式:

1、明确调用会话生成函数和关闭会话函数,代码流程如下:

# 创建一个会话
sess = tf.Session()
# 使用这个创建好的会话来得到关心的运算的结果。
# 比如调用上述sess.run(result)得到result张量的取值
sess.run(...)
# 关闭会话使得本次运行中使用到的资源可以被释放
sess.close()

使用这种模式,在计算完成之后,小调用Session.close函数来关闭会话使其释放资源。但是,有时因为程序异常退出,程序会出现Session.close函数并未执行的情况,从而导致资源泄漏的问题。(一般不选择此种模式)

2、Python上下文管理器使用会话,代码流程如下:

# 创建一个会话,并通过Python中的上下文管理器来管理这个会话
with tf.Session() as sess:
    # 使用创建好的会话来计算关心的结果
    sess.run(...)
    # 不需要再调用“Session.close()”函数来关闭会话
    # 当上下文退出时会话关闭和资源释放也自动完成

使用Python上下文管理器,只需要将计算放在“with”的内部就可以,不需要手动进行关闭函数的运算,管理器退出时会自动释放资源,同时也能解决程序异常退出资源泄露的问题。

没有更多推荐了,返回首页