tensorflow基础1

最新推荐文章于 2021-11-25 11:18:48 发布

慢慢ss

最新推荐文章于 2021-11-25 11:18:48 发布

阅读量159

点赞数

分类专栏： Machine Learning python

本文链接：https://blog.csdn.net/adamyouyou/article/details/89737244

版权

python 同时被 2 个专栏收录

19 篇文章 0 订阅

订阅专栏

Machine Learning

4 篇文章 0 订阅

订阅专栏

一、Tensorflow程序当中的重要组成部分
1.一个构建图阶段：图的定义
张量(Tensor)：Tensorflow中的基本数据对象
节点（OP）：运算操作
2.一个执行图的阶段：会话去运行程序
二、图：
图包含了一组tf.Operation代表计算单元的对象和tf.Tensor代表计算单元之间流动的数据。
Graph默认注册，并可通过调用访问 tf.get_default_graph 获取默认的图的内存地址

可以通过tf.Graph（）创建图，如果要在这张图中创建OP，使用tf.Graph.as_default 中使用

g=tf.Graph()
with g.as_default():
    c=tf.constant(11.0)
    print(c)

三、TensorBoard:可视化
为了更方便 TensorFlow 程序的理解、调试与优化，有了TensorBoard 的可视化工具。
通过TensorBoard 查看tensorflow程序图的结构的步骤：
（1）数据序列化-events文件
因为TensorBoard 通过读取 TensorFlow 的事件文件来运行,需要将数据生成一个序列化的 Summary protobuf 对象，所以我们需要先把整个程序序列化到一个文件当中（这个序列化文件的命名为events.out.tfevents.{timestamp}.{hostname}）

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

con1=tf.constant(11.0)
con2=tf.constant(12.0)
sum_=tf.add(con1,con2)
with tf.Session() as sess:
    #在会话中序列化文件
   file_write=tf.summary.FileWriter("./tmp/summary/",graph=sess.graph)
    print(sess.run(sum_))
    print(con1.graph)

在这里插入图片描述
（2）启动启动TensorBoard
我们cd 到安装tensorboard 的虚拟环境下运行如下命令
tensorboard --logdir="/tmp/tensorflow/summary/test/"

注：cmd 中如果是机器名:6006在浏览器中输入可能报无法访问此页面，此时输入http://localhost:6006/ 就可以进入TensorBoard 界面

在浏览器中打开 TensorBoard 的图页面 http://localhost:6006/ ，会看到与以下图形类似的图,在GRAPHS模块我们可以看到以下图结构
在这里插入图片描述
三、会话：运行程序，需要close关闭会话，释放资源
1.会话包含以下两种开启方式
tf.Session：用于完整的程序当中
tf.InteractiveSession：用于交互式上下文中的TensorFlow ，例如shell（cmd 命令行中使用）
2.会话Session()中的参数
1）target。如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定 grpc:// 网址，以便指定 TensorFlow 服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备。支持分布式
2）graph: 默认情况下，新的 tf.Session 将绑定到当前的默认图.并且只能当前的默认图中operation。
3）config: 此参数允许您指定一个 tf.ConfigProto 以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                        log_device_placement=True))# 运行会话并打印设备信息

3.运行程序：
tf.operation.eval()也可以运行operation
run(fetches,feed_dict=None, options=None, run_metadata=None)
通过使用sess.run()来运行operation
fetches：运行对象不能是一些非op，tensor对象，比如int 、double（a=1,b=2，c=a+b run都不能运行a、b、c）即其它不属于tensorflow的类型不行
feed_dict：运行时候提供数据，一般不确定数据形状时可以结合placeholder去使用，常用于在训练的时候实时提供要训练的批次数据

1）运行多个使用列表

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

con1=tf.constant(11.0)
con2=tf.constant(12.0)
sum_=tf.add(con1,con2)
with tf.Session() as sess:
   print(sess.run([con1,con2,sum_]))

在这里插入图片描述

2）当没有明确定义数据的内容时，使用tf.placeholder占位，当想指定数据内容的时候使用 feed_dict（是一个字典类型）

plt=tf.placeholder(tf.float32,shape=[None,2]) #其中定义数据的形状，行不固定，列固定2列，在placeholder中不固定用None，

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

plt=tf.placeholder(tf.float32,shape=[None,2])
with tf.Session() as sess:
   print(sess.run(plt,feed_dict={plt:[[1,2],[3,4],[23,33]]}))

请注意运行时候报的错误error:

RuntimeError：如果这Session是无效状态（例如已关闭）。
TypeError：如果fetches或者feed_dict键的类型不合适。
ValueError：如果fetches或feed_dict键无效或引用 Tensor不存在的键。

四、张量
TensorFlow 的张量就是一个 n 维数组，类型为tf.Tensor。Tensor具有以下两个重要的属性

type:数据类型
shape:形状(阶)
1.张量的阶
在这里插入图片描述
2.创建张量

3.张量的变换
（1）张量dtype的改变
（2）改变张量的形状shape
1）tf.set_shape 静态修改形状：修改张量本身的形状，固定的形状不能修改，也不能跨阶修改
2）tf.reshape 动态修改形状：会创建新的张量，原来张量不会改变
五、变量OP
TensorFlow变量是表示程序处理的共享持久状态的最佳方法。变量通过 tf.Variable OP类以及tf.get_variable()类进行操作。变量的特点：存储持久化、可修改值、可指定被训练
（1）创建变量：变量需要显示初始化，才能运行值
tf.Variable(initial_value=None,trainable=True,collections=None,name=None)
initial_value:初始化的值
trainable:是否被训练
collections：新变量将添加到列出的图的集合中collections，默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True变量也被添加到图形集合 GraphKeys.TRAINABLE_VARIABLES

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

var = tf.Variable(tf.random_normal([5, 6], mean=0.0, stddev=1.0), name='var_name')
init_varop=tf.global_variables_initializer()
with tf.Session() as sess:
   sess.run(init_varop)#需要先初始化变量才可以运行变量
   print(sess.run(var))

（2）变量的方法：assign和assign_add都会修改原来张量的值
1）new_var = assign(value)：给变量赋值一个新的值，但是value必须与原来的变量的shape必须一致不然会报错

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

var = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0), name='var_name')
new_var=var.assign([[1,2,3],[4,5,6]])
with tf.Session() as sess:
   sess.run(tf.global_variables_initializer())
   print(sess.run([var,new_var]))

输出结果
在这里插入图片描述
2） new_var = assign_add(delta)：在原有的数据基础上加上delta，即矩阵的加法运算
（3）命名空间和变量的共享
共享变量的主要用途在一些网络当中的参数共享，由于在TensorFlow当中，只要我们定义的OP,name参数指定一样，其实并不是同一个变量。如果想要达到重复利用变量的效果，我们就要使用tf.variable_scope()结合tf.get_variable()一起使用，
例如：我们创建如下同一个name的变量但是，tensorflow会自动加上_1，这样我们就不能共享变量
在这里插入图片描述
如果想让变量能够共享，我们需要如下步骤：
1）使用tf.variable_scope()修改OP命名空间，输出结果就会在变量name前面加上variable_scope命名的name
共享变量需要在tf.variable_scope(“name”)中的reuse=tf.AUTO_REUSE参数

with tf.variable_scope("name", reuse=tf.AUTO_REUSE):

2）tf.get_variable共享变量

with tf.variable_scope("name", reuse=tf.AUTO_REUSE):
  var2 = tf.get_variable(initializer=tf.random_normal([2, 2], mean=0.0, stddev=1.0),
                         name="var2",
                         dtype=tf.float32)
  var2_double = tf.get_variable(initializer=tf.random_normal([2, 2], mean=0.0, stddev=1.0),
                         name="var2",
                         dtype=tf.float32)