TensorFlow之基本结构

最新推荐文章于 2025-02-18 12:03:48 发布

gufeng_1992

最新推荐文章于 2025-02-18 12:03:48 发布

阅读量970

点赞数 1

TensorFlow：

使用图（graph）来表示计算任务。
在被称之为会话（Session）的上下文（context）中执行图。
使用tensor表示数据
使用变量（Variable）维护状态
使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获得数据。
综述

TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称之为op（operation的缩写）。一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。每个Tensor是一个类型化的多维数组。例如，你可以将一小组图像集表示为一个四维的浮点数组，这个四维度分别是[batch, height, width, channels]。
一个TensorFlow图描述了计算的过程。为了进行计算图必须在会话里启动。会话将图的op分发到诸如CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的tensor返回。
在python语言中，返回的tensor是numpy ndarray对象；在C和C++语言中，返回的tensor是tensorflow::Tensor实例。
2 计算图
TensorFlow是程序通常被组织成一个构建阶段和执行阶段。
在构建阶段，op的执行步骤被描述成一个图。
在执行阶段，使用会话执行图中的op。
例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。
TensorFlow支持C， C++，python编程语言。目前，TensorFlow的python库更加易用，它提供了大量的辅助函数来构建图的工作，这些函数尚未被C和C++库支持。
三种语言的会话库（Session libraries）是一致的。
3、构建图
构建图的第一步，是创建源op（source op）。源op不需要任何输入，例如 常量（Constant）。源op的输出被传递给其它op做运算。
Python库中，op构造器的返回值代表被被构造出的op的输出，这些返回值可以传递给其它op构造器作为输入。
TensorFlow python库有一个默认图（default graph），op构造器可以为其增加节点。这个默认图对许多程序来说已足够用。。阅读Graph类文档来了解如何管理多个图。

import tensorflow as tf
#创建一个常量op，产生一个1*2矩阵。这个op被作为一个节点加到默认图中
#
#构造器的返回值代表常量op的返回值。
matrix1 = tf.constant([[3.,3.]])
#创建另一个常量op，产生一个2*1矩阵
matrix2 = tf.constant([[2.],[2.]])
#创建一个矩阵乘法matmul op，把‘matrix1’和‘matrix2’作为输入。
#返回值‘product’代表矩阵乘法的结果
product = tf.matmul(matrix1,matrix2)

默认图现在有三个节点，两个 constant() op和一个matmul() op.为了真正进行矩阵相乘运算，并得到矩阵乘法的结果，你必须在会话里启动这个图。
4、在一个会话中启动图
构造阶段完成后，才能启动图。启动图的第一步是创建一个 Session对象，如果无任何创建参数，会话构造器将启动默认图。
欲了解完整的会话API，请阅读Session类。

#启动默认图
sess = tf.Session()
#调用sess的‘run（）’方法来执行矩阵乘法op，传
#入‘product’作为该方法的参数。上面提到，‘product’代#表了矩阵乘法op的输出，传入它是向方法表明，我们希望取
#回矩阵乘法的op的输出。
#
#整个执行过程是自动化的，会话负责传递op所需的全部输
#入。op通常是并发执行的。
#
#函数调用‘run(product)’触发图中三个op（两个常量op和#一个矩阵乘法op）的执行。
#
#返回值‘result’是一个numpy'ndarray'对象
result = sess.run(product)
print result
#==>[[12.]]


#任务完成，关闭会话
sess.close()

Session对象在使用完成后需要关闭以释放资源。除了显式调用外，也可使用“with”代码块来完成自动关闭动作。

with tf.Session() as ses:
    result = sess.run([product])
    print result

在实现上，TensorFlow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源（如CPU或GPU）。一般你不需要显式指定使用CPU还是GPU，TensorFlow能自动检测。如果检测到GPU，TensorFlow会尽可能地利用找到的第一个GPU来执行操作。

如果机器上有超过一个可用的GPU，除第一个外的其它GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，你必须将op明确指派给它们执行。with…Device语句用来指派特定的CPU或GPU执行操作：

with tf.Session() as sess:
    with tf.device("/gpu:1"):
        matrix1 = tf.constant([[3., 3.]])
        matrix2 = tf.constant([[2.],[2.]])
        product = tf.matmul(matrix1,matrix2)
        ...

设备用字符串进行标识。目前支持的设备包括：

“/cpu:0”：机器的CPU.
“/gpu:0”：机器的第一个GPU，如果有的话.
“/gpu:1”：机器的第二个GPU，以此类推.
5、交互式使用
文档中的Python示例使用一个会话Session来启动图，并调用Session.run()方法执行操作。
为了方便使用诸如Ipython之类的Python交互环境，可以使用InteractiveSession代替Session类，使用Tensor.eval()和Operation.run()方法代替Session.run()。这样可以避免使用一个变量来持有会话。

#进入一个交互式TensorFlow会话。
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0,2.0])
a = tf.constant([3.0,3.0])

#使用初始化器 initializer op 的run() 方法初始化‘x’
x.initializer.run()

#增加一个剪发sub op，从‘x’减去‘a’。运行减法op，输出结果
sub = tf.sub(x,a)
print sub.eval()
#==>[-2,-1.]

6、Tensor
TensorFlow程序使用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor。你可以把TensorFlow看作是一个n维的数组或列表。一个Tensor包含一个静态类型rank，和一个shape。想了解TensorFlow是如何处理这些概念的，参见Rank，Shape，和Type。
7、变量
Variables for more details。变量维护图执行过程中的状态信息。下面的例子演示了如何使用变量实现一个简单的计数器。参见变量章节了解更多细节。

#创建一个变量，初始化为标量0.
state =tf.Variable(0,name = "counter")

#创建一个op，其作用使state增加1
one = tf.constant(1)
new_value =tf.add(state,one)
update =tf.assign(state,new_value)

#启动图后，变量必须先经过‘初始化’（init）op初始化，
#首先必须增加一个‘初始化’op到图中
init_op =tf.initialize_all_variables()

#启动图，运行 op
with tf.Session() as sess:
    #运行‘init’op
    sess.run(init_op)
    #打印‘state’的初始值
    print sess.run(state)
    #运行 op， 更新‘state’，并打印‘state’
    for _ in range(3):
        sess.run(update)
        print sess.run(state)
#输出：
# 0
# 1
# 2
# 3

代码中assign() 操作是图所描绘的表达式的一部分，正如add（），所以在调用run（）执行表达式前，它并不会真正执行赋值操作。

通常会将一个统计模型中的参数表示为一组变量。例如，你可以将一个神经网络的权重作为某个变量存储在一个tensor中，在训练过程中，通过重复运行训练图，更新这个tensor。

8、Fetch
为了取回操作的输出内容，可以在使用Session对象的run()调用执行图时，传入一些tensor，这些tensor会帮助你取回结果。在之前的例子里，我们只取回了单个节点state，但是你也可以取回多个tensor：、

input1 = tf.constant(3.0)
input2 =tf.constant(2.0)
input3 = tf.constant(5.0)
intermed =tf.add(input2,input3)
mul = tf.mul(input1,intermed)

with tf.Session() as  sess:
    result = sess.run([mul,intermed])
    print result
#输出
#[array([21.],dtype=float32),array([7.],dtype=float32)]

需要获取的多个tensor值，在op的一次运行中一起获得（而不是逐个去获取tensor）

8、Feed
上述示例在计算图中引入了tensor，以常量或变量的形式存储。TensorFlow还提供了feed机制，该机制可以临时替代图中的任意操作中的tensor可以对图中的任何操作提交补丁，直接插入一个tensor。

feed使用一个tensor值临时替换一个操作的输出结果。你可以提供feed数据作为run()调用的参数。feed只在调用它的方法内有效，方法结束，feed就会消失。常见的用例是将某些特殊的操作指定为“feed”操作，标记的方法是使用tf.placeholder()为这些操作创建占位符。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1,input2)

with tf.Session() as sess:
    print sess.run([output],feed_dict={input:[7.],input2:[2.]})
#输出
#[array([14.],dtype =float32)]