12.12工作日志

12.12 内容：

程序咀嚼：

1. 构筑图gragh， 这一点和python的Numpy不同，graph 为静态的，需要启动一个session。

graph 代表一个计算任务，在模式运行时，整个程序的结构，“图”在会话里被启动。

session将图的节点操作发布到CPU GPU 上，同时提供OP方法（Operation），专门运算的操作节点，每一个操作都是op。

---

关于tensorflow：

tensorflow  很荣部署到服务器上，这是很多框架做不到的。

大量优秀的项目正在使用tensorflow，可以在多个CPU和GPU下并行。

不足之处：

---

回归正文：

placeholder： 启动session时程序会真正的运行。python程序的底层为C语言或者其他语言，执行一行脚本，就是有成本的，tensorflow通过计算刘图的方式，优化整个sesion需要执行的代码，还是很有优势的。所以placeholder（）函数是在神经网络构建graph时候的模型占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数 向占位符喂入数据。

学习时，使用了如下示例：

import tensorflow as tf
import numpy as np
 
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
 
output = tf.multiply(input1, input2)
 
with tf.Session() as sess:
    print(sess.run(output, feed_dict = {input1:[3.], input2: [4.]}))

/home/iser/anaconda3/envs/tensorflow-learning/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:502: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.
  np_resource = np.dtype([("resource", np.ubyte, 1)])
2020-12-12 21:58:52.727793: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 AVX512F FMA
2020-12-12 21:58:52.966041: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1105] Found device 0 with properties: 
name: GeForce RTX 2080 Ti major: 7 minor: 5 memoryClockRate(GHz): 1.575
pciBusID: 0000:65:00.0
totalMemory: 10.76GiB freeMemory: 9.80GiB
2020-12-12 21:58:52.966082: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1195] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce RTX 2080 Ti, pci bus id: 0000:65:00.0, compute capability: 7.5)
[12.]

 

 
import tensorflow as tf
import numpy as np
 
x = tf.placeholder(tf.float32, shape=(1024, 1024))
y = tf.matmul(x, x)
 
with tf.Session() as sess:
    #print(sess.run(y))  # ERROR:此处x还没有赋值
    rand_array = np.random.rand(1024, 1024)
    print(sess.run(y, feed_dict={x: rand_array})) 

2020-12-12 22:05:01.645065: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 AVX512F FMA
2020-12-12 22:05:01.791864: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1105] Found device 0 with properties: 
name: GeForce RTX 2080 Ti major: 7 minor: 5 memoryClockRate(GHz): 1.575
pciBusID: 0000:65:00.0
totalMemory: 10.76GiB freeMemory: 9.78GiB
2020-12-12 22:05:01.791898: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1195] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce RTX 2080 Ti, pci bus id: 0000:65:00.0, compute capability: 7.5)
[[264.88196 256.2706  258.85715 ... 252.68927 253.2667  256.4321 ]
 [262.64746 253.23653 254.83377 ... 244.76108 246.85315 255.17625]
 [263.8545  260.51007 263.09048 ... 252.3399  256.21805 263.8079 ]
 ...
 [274.35175 263.1493  259.98703 ... 252.62515 259.94763 259.50565]
 [264.54214 254.08362 254.66122 ... 249.22263 252.54991 254.24026]
 [262.92407 254.49603 258.49493 ... 248.71774 258.1954  259.60175]]

2. tensorflow 中使用变量类型

float64

float2

int32

3. 冒号表示  取值范围。

在使用python数组时，被里面的冒号搞晕了，现在做个简单记录

原始数据

import numpy as np
x=np.array([[1,2,3],[5,6,7],[7,8,9]])
x

第一个冒号

如果出现了这样的冒号 x[:,0]
大家可以猜出下返回的结果是什么？

结果是

array([1, 5, 7])

这个冒号代表了获取了x的所有的行数据，之后逗号后面的0，是获取0列。

扩展举例

例如x[:,0:2]，返回值为

array([[1, 2], [5, 6], [7, 8]])

如果出现了x[0:2,0:2]，返回值为

array([[1, 2], [5, 6]])

第二个冒号

如果出现了这样的冒号 x[:,::-1]

大家可以猜测下返回的结果

 

array([[3, 2, 1], [7, 6, 5], [9, 8, 7]])

 

结果出现了逆序