TF入门02-TensorFlow Ops

本文的主要内容安排如下：

• 基本的操作
• 张量类型
• 导入数据
• lazy loading

我们首先介绍一下TensorBoard的使用，然后介绍TensorFlow的基本ops，之后介绍张量的数据类型，最后介绍一下如何将自己的输入导入模型。

1. TensorBoard

TensorBoard是TensorFlow的一个可视化工具，可以用于对TensorFlow模型的调试和优化。TensorBoard的外观大致如下：

当用户在TensorBoard激活的TensorFlow程序中执行某些操作时，这些操作将导出到事件日志文件中。 TensorBoard能够将这些事件文件转换为可视化文件，从而可以深入了解模型的结构及其运行时的行为。

让我们从一个小例子中，看看TensorBoard如何使用。下面的代码是不使用TensorBoard的计算a+b的例子：

import tensorflow as tf

a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a, b)
with tf.Session() as sess:
    print(sess.run(x))

为了使用TensorBoard对程序进行可视化，我们需要将模型写入日志文件中。而日志文件的写入，需要依赖于一个filewriter，其生命代码如下：

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

[graph]指当前模型的运算图。可以使用tf.get_default_graph()获取模型的默认运算图，或者使用sess.graph获取当前会话处理的运算图；后者要求sess会话已经被声明。值得注意的是，FileWriter的声明需要放在在运算图定义完成之后，否则TensorBoard对模型的结构显示不完整。

[logdir]表明日志文件的存储位置。可以将[logdir]命名为’./graphs’或者’./graphs/lecture02’.

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) # if you prefer creating your writer using session's graph
    print(sess.run(x))
writer.close()

模型运行之后会将日志文件写入并存储到指定位置。接下来，到命令行窗口，运行如下代码：

$ python3 [my_program.py]
$ tensorboard --logdir="./graphs" --port 6006

如果运行报错：OSError:[Errno 22] Invalid argument，解决方法为：clickME

运行成果后，在浏览器中打开网址：http://localhost:6006就可以看到TensorBoard页面了。你可以看到运算图中有3个结点：2个constants和一个Add op。

其中Const、Const_1分别对应结点a和结点b，Add对应x。我们也可以自己对结点命名：

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

再次运行打开TensorBoard后，我们可以得到：

运算图定义了ops以及它们的依赖关系。我们可以通过点击结点来确定结点的值以及结点类型。

在了解TensorBoard之后，我们来看看TensorFlow中的各种op。

2. Constant op

TensorFlow中创建常量constant的方式很简单。

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")

你也可以创建特定维度、填充特定值的常量，具体操作和使用Numpy类似。

# 创建任意维度，内部元素全是0的constant常量
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]]

# 创建和input_tensor维度相同，全是0的常量
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]]

# 创建任意维度，值全是1的常量
tf.ones(shape, dtype=tf.float32, name=None)
# create a tensor of shape and all elements are ones
tf.ones