TensorFlow学习---基础概念和程序的形式

转载博客：http://blog.csdn.net/phdat101/article/details/52350611

1.概念

graph：图，表示具体的计算任务

session：会话，图需要在会话中执行，一个会话可以包含很多图

tensor：张量，在此表示数据，类型是numpy::ndarray

variable：就是本意变量，图的重要组成部分

operation：简称op，是图中计算的节点，输入tensor计算后产生tensor

feed、fetch：意思是给图添加数据和获取图中的数据，因为训练过程中有些数据需要动态获得、临时给予数据

运行：

考虑到python运算的性能，肯定需要使用外部运算库，但是内外环境切换也是个很大的开销，TF如同其他主流机器学习工具，把程序通常组织成一个构建阶段和一个执行阶段。构建就是说明需要一个怎样的网络模型，执行就是按照指定的优化训练模型，也包含检验输出等操作。可以看做先用python程序搭建模型，然后全部在python之外运行。

2. 例子

2.1 平面拟合

需要拟合的平面：y = W1 * x1_data + W2*x2_data + b，其中，已知x1_data、x2_data和y，但是都包含一点噪声。

程序：

import tensorflow as tf import numpy as np # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3 x1_data = np . random . rand ( 100 ) . astype ( np . float32 ) x2_data = np . random . rand ( 100 ) . astype ( np . float32 ) y_data = x1_data * 10 + x2_data * 5 + 3 + tf . random_uniform ([ 100 ], - 0.1 , 0.1 ) # Try to find values for W and b that compute y_data = W * x_data + b # (We know that W should be 0.1 and b 0.3, but TensorFlow will # figure that out for us.) # note: W b and y just statement/container before initialization W1 = tf . Variable ( tf . random_uniform ([ 1 ], - 1.0 , 1.0 )) W2 = tf . Variable ( tf . random_uniform ([ 1 ], - 1.0 , 1.0 )) b = tf . Variable ( tf . zeros ([ 1 ])) y = W1 * x1_data + W2 * x2_data + b # Minimize the mean squared errors. loss = tf . reduce_mean ( tf . square ( y - y_data )) optimizer = tf . train . AdagradOptimizer ( 0.6 ) train = optimizer . minimize ( loss ) # Before starting, initialize the variables. We will 'run' this first. init = tf . initialize_all_variables () # Launch the graph. sess = tf . Session () sess . run ( init ) # Fit the line. for step in range ( 20001 ): sess . run ( train ) #if step % 20 == 0: #print(step, sess.run(W), sess.run(b),sess.run(loss)) print ( step , sess . run ( W1 ), sess . run ( W2 ), sess . run ( b ), sess . run ( loss )) # Learns best fit is W: [0.1], b: [0.3]

 来自CODE的代码片

PlaneFitting.py

empty

 来自CODE的代码片

snippet_file_3.txt

程序首先使用随机数产生需要拟合的数据，然后规定误差项和优化的方式，然后是训练并输出结果。优化方法有很多种不仅仅是AdagradOptimizer（）。

2.2 矩阵相乘

两个比较大的矩阵相乘，分别使用GPU和CPU，比较运行时间

import tensorflow as tf import numpy as np #when put here the "cpu" is same as "gpu" , because it has been deploied on gpu or cpu #select the fastest device automatically #matrix1 = np.random.rand(20000,1500).astype(np.float32) #matrix2 = np.random.rand(1500,20000).astype(np.float32) #product = tf.matmul(matrix1, matrix2) with tf . Session () as sess3 : with tf . device ( "/gpu:0" ): #gpu 11.6s and cpu 20.2s matrix1 = np . random . rand ( 20000 , 1500 ) . astype ( np . float32 ) matrix2 = np . random . rand ( 1500 , 20000 ) . astype ( np . float32 ) product = tf . matmul ( matrix1 , matrix2 ) result = sess3 . run ( product )

 来自CODE的代码片

MatrixsMul.pyt

如果有GPU并且安装的是GPU版本的TF，程序默认是在GPU上运行的。通过指定"/gpu:0"或"/cpu:0"的形式，可以人为改变。GPU运行时间是11.6s，CPU是20.2s，节省了一些时间。

2.3 构建session的另一种方式

以上程序需要显示地使用sess.run(...)运行节点，想法自然，但TF也提供了另一种形式

import tensorflow as tf import numpy as np #deploy a session sess = tf . InteractiveSession () #design the grape matrix1 = np . random . rand ( 2000 , 1500 ) . astype ( np . float32 ) matrix2 = np . random . rand ( 1500 , 2000 ) . astype ( np . float32 ) product = tf . matmul ( matrix1 , matrix2 ) #run the operation print product . eval () sess . close ()

 来自CODE的代码片

AnotherSession.py

2.4一个计数器--说明构建阶段和运行阶段

TF把很多操作都规定成内部的函数，先显式地规定网络，然后才是运行

import tensorflow as tf #design the graph state = tf . Variable ( 0 , name = "counter" ) one = tf . constant ( 1 ) new_value = tf . add ( state , one ) update = tf . assign ( state , new_value ) #initialization init_op = tf . initialize_all_variables () #run with tf . Session () as sess : sess . run ( init_op ) print sess . run ( state ) for _ in range ( 3 ): sess . run ( update ) print sess . run ( state )

 来自CODE的代码片

ASimpleCounter.py

2.5获取数据fetch（）

程序运行时需要获取一些数据，每个节点获取的数据可以理解为：对每个点单独有通路，从底部运行过来（实际不是这样，但数据同步行类似）

import tensorflow as tf 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 result = sess . run ([ intermed ]) print result

 来自CODE的代码片

AboutFetch.py

2.6填充数据feed（）

随时给程序填充一些数据

import tensorflow as tf import numpy as np input1 = tf . placeholder ( tf . float32 , shape = ( 5 , 5 )) input2 = tf . placeholder ( tf . float32 , shape = ( 5 , 5 )) output = tf . matmul ( input1 , input2 ) #matmul is different mul with tf . Session () as sess : rand_array = np . ones ([ 5 , 5 ]) print sess . run ([ output ], feed_dict = { input1 : rand_array , input2 : rand_array })

 来自CODE的代码片

AboutFeed.py

参考：

官方手册：https://www.tensorflow.org/versions/r0.10/get_started/index.html

中文社区：http://www.tensorfly.cn/