从零搭建人脸识别系统（3）Tensorflow 基础

上一节我们安装好了Tensorflow,https://blog.csdn.net/hao5119266/article/details/103793126

本篇会讲解Tensorflow的基础使用

目录

1.Hello world   

2.TensorFlow系统架构

（1）TensorFlow是什么

（2）TensorFlow系统架构 

​

3.TensorFlow基本概念

3.1张量

3.2算子

3.3计算图

4.会话 

---

 

1.Hello world   

   打开Prompt,先激活tensorflow环境，再进入Pyhon（以后不再赘述）

activate tensorflow
python

   最简单的Hello world程序:

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
hello = tf.constant('hello,world')
sess= tf.compat.v1.Session()
print(sess.run(hello))

2.TensorFlow系统架构

（1）TensorFlow是什么

   TensorFlow是由Google主导的一个深度学习的架构，自开源以来发展迅速。特点为支持多种环境，一般分为CPU版和GPU版。Github工程地址：https://github.com/tensorflow/tensorflow。

（2）TensorFlow系统架构 

如图所示：

客户端（Client）是前端系统的主要组成部分，它是一个支持多语言的编程环境。提供编程模型，负责构造计算图；

运算机制（Distributed Runtime）:

1）Distributed Master：从计算图（graph）中反向遍历，找到所依赖的特定子图（subgraph），再把此子图分割成子图片段派发给Work Services，随后不同的Work Service执行其收到的子图片段。

2）Work Services：Work Services通常是多个设备，不同的Work Service会相互发送和接收计算结果。通常通过调用Kernel实现完成运算。

Kernel：是算子（Operation，后面会讲）在不同硬件设备的运行和实现，负责执行具体的运算。

                            

如下图 ，客户端启动Session(作为会话，主要功能是指定操作对象的执行环境)并把定义号的数据流图传给执行层，Distributed-Master进程拆解最小子图发给WorkerService，WorkerService调用跨设备的Kernel的Operation,利用各个资源完成运算。         

现在看不太懂也没太大关系，现在能够了解TensorFlow的大致工作流程就算达到了目的，后续会详细说明。

3.TensorFlow基本概念

 基本概念是本篇的重点。TensorFlow数据流图一般包括张量（Tensor）、算子（Operation）、会话（Session）、

变量（Variables）、占位符（Place Holder）和图（Graph）等。

3.1张量

 张量（Tensor）可以理解为多为数组，0阶张量为纯量或者标量（Scalar）,也就是一个数值，比如[1]；一阶张量就是

向量（Vector）,比如[1,2,3];二阶张量为矩阵（Matrix),比如[ [1,2,3],[4,5,6],[7,8,9] ],以此类推。

张量对象用形状（Shape）属性来定义结构，Python中的元组和列表都可以定义张量的形状。张量每一维可以是固定长度，也可以用None表示为可变长度。

import tensorflow as tf
#指定0阶张量
t_list=[]
t_tuple=()
#指定一个长度为2的向量
t_1=[2]
#指定一个2*3的矩阵
t_2=(2,3)
#表示任意长度的向量
t_3=[None]
#表示行数任意列数为2的矩阵
t_4=(None,2)
#表示一维长度为3，第二维长度为2，第三维长为任意的3阶张量
t_5=[3,2,None]

3.2算子

对张量进行计算叫做算子(operation，简称op),它是对张量执行运算的节点。

常见的算子有

算子类别	示例
数值计算	add,sub,multiply,div,exp,log,greater,less,equal
多维数组运算	concat,slice,splite,constant,rank,shape,shuffle
矩阵运算	matmul,matrixinverse,matrixdeterminant
状态管理	variable,assign,assignadd
神经网络	softmax,sigmoid,relu,convolution2d,maxpool
检测点	save,restore
队列和同步	enqueue,dequeue,mutexacquire,mutexrelease
控制张量流动	merge,switch,enter,leave,nextiteration

3.3计算图

Tensorflow中Graph默认缺省，它会自动帮我们构建缺省Graph，并添加tensor和op。如果有特殊要求需要自己自定义计算图。

创建Graph,例：

import tensorflow as tf

#创建数据流图
graph=tf.Graph()

#向数据流图中添加op
with graph.as_default():
    a=tf.add(2,4)
    b=tf.multiply(2,4)

如果有多个Graph，则如下处理：

import tensorflow as tf

g1=tf.Graph()
g2=tf.Graph()

with g1.as_default():
    #此处添加相应tensor和op

with g2.as_default():
    #此处添加相应tensor和op

4.会话 

Graph仅仅定义了所有op和tensor流向，没有进行任何计算。而session根据graph的定义分配资源，计算op，得出结果。

tf.Session(target=",graph=None,config=None)

target参数一般为空字符串，它指定要使用的执行引擎。在分布式设置中使用Session对象时，该参数用于连接不同tf.train.Server实例。

graph参数指定将要在Session中加载的Graph对象，默认值为None，表示使用当前默认数据流图。

config参数允许用户选择Session的配置，例如限制CPU或者GPU的使用量，设置图中的优化参数，日志选项。

 

#创建Session对象
sess=tf.Session()

创建Session对象后，需要用其主要方法run()来运行或计算所期望的张量对象。Session.run()接收一个必选参数fetches,三个可选参数：feed_dict、options和run_metadata.

例：

import tensorflow as tf

a=tf.add(2,4)
b=tf.multiply(a,5)

s=ft.Session()
s.run(b)
s.run([a,b])

下篇：https://blog.csdn.net/hao5119266/article/details/104084581