2、TensorFlow 的计算模型、运行模型、数据模型

一、TensorFlow 简介

1. TensorFlow 的定义

Tensor（张量） 意味着 N 维数组，Flow（流） 意味着基于数据流图的计算，TensorFlow 代表着张量在图中通过运算(op)进行传递和变换

---

2. TensorFlow 的工作模式

TensorFlow 使用图(Graphs)来表示计算任务，图中的节点称之为 op(Operation)，一个 op 可以获得 0 个或多个张量(Tensor)，通过创建会话(Session)对象来执行计算，产生 0 个或多个Tensor。所以，TensorFlow 的工作模式分为以下两步：

• Define the computation graph
• Run the graph (with data) in Session

为什么需要提前定义好计算图，然后再去执行运算？

• Save computation：only run subgraphs that lead to the values you want to fetch
• Facilitate distributed computation： spread the work across multiple CPUs, GPUs, or devices
• Facilitates auto-differentiation：break computation into small, differential pieces

---

3. TensorFlow 的特点

• 异步的：一处写，一处读，一处训练
• 全局的：操作添加到全局的Graph中，监控添加到全局的summary中，参数/损失添加到全局的collection中
• 符号式的：创建时没有具体值，运行时才传入

---

4、TF High-Level API

• Keras
• TFLearn
• Tensorlayer
• tf.contrib.learn：tensorflow 界的 scikit-learn
• tf.contrib.slim：轻量浓缩版本高级接口，可以很方便地定义/训练/评估复杂的网络结构模型

---

二、TensorFlow 核心概念

• Graph holds operations and tensors, not values.
• Session is where you can run or evaluate operations and tensors.

1. TensorFlow 的计算模型------计算图(Graph)

a、Building a tf.Graph

• TensorFlow 使用图来表示计算任务，图(Graphs)是由op 对象和 tensor（like） 对象组成的，所以构建图的过程其实就是：

  • 创建 op 对象的过程
  • 以及如何将这些个 op 对象和 tensor（like） 对象连接起来的过程

• 获取默认计算图：tf.get_default_graph()

• 重建一张图来代替原来的默认图：tf.reset_default_graph()，注意，使用该函数时必须保证当前图的资源已经全部释放

• Graph 类的常用方法

class tf.Graph()
常用方法：

• as_default()： Returns a context manager that makes this Graph the default graph.
• device(device_name_or_function)：指定运行计算的设备
• as_graph_def()：Returns a GraphDef protocol buffer
• get_tensor_by_name(name)：返回指定名称（string）的 Tensor ，等价于 tensor。注意，name 的形式为：<op_name>:<output_index>
• get_operation_by_name(name)：返回指定名称（string）的 Operation，等价于 tensor.op。 注意，name 的形式为：<op_name>
• get_operations()：以列表的形式返回图中所有的操作节点。

• 代码实践

  import tensorflow as tf
  
  c = tf.constant([5], name='c1') 
  d = tf.constant([4], name='d1') 
  e = tf.add(c, d, name='add1') 
  
  with tf.Session() as sess:
      print('Tensor name is: %s,  Op name is: %s'  %(e.name, e.op.name))
      
      # 每个操作节点(Op Node)是一个 NodeDef 对象，包含 name、op、input、device、attr 等属性
      node_name_list = [node.name for node in tf.get_default_graph().as_graph_def().node] 
      for node_name in node_name_list: 
          print(node_name)
      
      print(sess.run(e))
      
      # 当直接加载 .meta 或 .pb 形式的计算图时，可以使用 Tensor name 来获取相应的值 
      print(sess.run(tf.get_default_graph().get_tensor_by_name('add1:0')))
  
  # 输出
  Tensor name is: add1:0,  Op name is: add1
  [u'c1', u'd1', u'add1']
  [9]
  [9]
  

---

b、Graph structure

• 由 tf.Operation objects (nodes) and tf.Tensor(like) objects(edges) 组成
  • tf.Operation objects： represent units of computation
  • tf.Tensor objects： represent the units of data that flow between operations

---

c、Graph collections

• 在一个计算图中，可以通过集合（collection）来管理不同类别的资源（张量、变量、队列资源等）。

  • 通过 tf.add_to_collection(name, value)函数将资源加入一个或多个集合中
  • 通过tf.get_collection(name, scope=None)获取一个集合里面的所有资源

• tf.add_to_collection(name, value)

  • name: The key(any string is a valid collection name) for the collection(即，集合名称). The GraphKeys class contains many standard names for collections.
  • value: The value to add to the collections.

• tf.get_collection(name, scope=None)

  • Returns a list of values in the collection with the given name.
  • Class tf.GraphKeys defines some of the standard keys(即，集合名称)，以下是 TF 自动管理的几个最常用的集合
    • tf.GraphKeys.GLOBAL_VARIABLES
    • tf.GraphKeys.TRAINABLE_VARIABLES
    • tf.GraphKeys.LOCAL_VARIABLES
    • tf.GraphKeys.UPDATE_OPS
    • tf.GraphKeys.MODEL_VARIABLES
    • tf.GraphKeys.SUMMARIES
    • tf.GraphKeys.REGULARIZATION_LOSSES
    • tf.GraphKeys.QUEUE_RUNNERS
    • …
  • eg: tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)，亦可使用 Variable helper functions 中的相关函数取得集合中的值
    • tf.global_variables(scope=None)
    • tf.trainable_variables(scope=None)
    • tf.local_variables(scope=None)
    • tf.model_variables(scope=None)
  • 如果想要所定义的变量不可训练(非权重参数)的话，可以使用以下两种方式实现：

    # 1、specify trainable=False as an argument to tf.get_variable
    my_non_trainable = tf.get_variable("my_non_trainable", shape=(),  trainable=False)
    
    # 2、add it to the tf.GraphKeys.LOCAL_VARIABLES collection
    my_local = tf.get_variable("my_local", shape=(), collections=[tf.GraphKeys.LOCAL_VARIABLES])
    

• tf.add_n(inputs, name=None)

  • inputs: A list of Tensor objects, each with same shape and type.
  • eg: tf.add_n(tf.get_collection('l2_losses')) # Adds all input tensors element-wise

---

d、Graph control_denpendencies

• tf.control_dependencies(control_inputs)
  • control_inputs: A list of Operation or Tensor objects which must be executed or computed before running the operations defined in the context. Can also be None to clear the control dependencies.
  • Use with keyword to specify that all operations constructed within the context should have control dependencies on control_inputs，eg：

  with tf.control_dependencies([a, b, c]):
    # `d` and `e` will only run after `a`, `b`, and `c` have executed.
    d = ...
    e = ...
  

---

e、Visualize the graph

# 1、Write the graph defination to disk
writer = tf.summary.FileWriter('graphs/', sess.graph)

# 2、Close summary writer
writer.close()

# 3、Visualize the graph in tensorboard
tensorboard --logdir graphs [--port 8888 --host 192.168.1.144]  # 括号为可选参数，当在服务器上使用时可能会需要这些参数 

---

2. TensorFlow 的运行模型------会话(Session)

a、Session 的简介

• 图必须通过创建一个 Session 对象 来执行计算任务，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 numpy.ndarray 类型的数据返回。

  # 通过 Python 的上下文管理器来管理这个会话，不需要再调用Session.close()函数来关闭会话
  with tf.Session() as sess:
  	sess.run(...)
  

---

b、Session 的初始化参数

• target：specifies the execution engine to use.
• graph：specifies the Graph object that will be launched in the Session. If no, the default graph will be launched
• config：allows users to specify options to configure the session, such as limiting the number of CPUs or GPUs to use, setting optimization parameters for graphs, and logging options.

---

c、Session 对象的 run 方法

• Runs operations and evaluates tensors in fetches
• 必选参数(fetches)：A single graph element, a list of graph elements, or a dictionary whose values are graph elements or lists of graph elements
• 可选参数(feed_dict)：A dictionary that maps graph elements to values，用于为数据流图喂数据或者覆盖数据流图中的 Tensor 对象值

---

3. Operation 操作符

a、Operation 简介

• An Operation is a node in a TensorFlow Graph that takes zero or more Tensor objects as input, and produces zero or more Tensor objects as output.
• 每个 op 构造方法都可接收一个 name 参数 ：give an identifier to the nodes we create

---

b、Operation 节点之间的依赖关系

• how do we make sure our computer only computes the necessary nodes without having to tell it by hand?
  • The answer: use our dependencies to ensure each node has a list of the nodes it directly (not indirectly) depends on
• The main thing to look out for is to keep track of nodes that were already calculated and to store their value in memory- that way we don’t calculate the same node over and over again

---

c、常用 op 操作的类型：

---

d、op 操作符的重载

Using these overloaded operators can be great when quickly putting together code, but you will not be able to give name values to each of these Operations

• 判断操作符(==)：judge_bool = tf.equal(x, y, name=None)
• 赋值操作符：update = tf.assign(old_value, new_value)

---

4. TensorFlow 的数据模型------张量(Tensor)

---

三、参考资料

1、https://www.tensorflow.org/programmers_guide/graphs&sessions
2、https://www.tensorflow.org/api_docs/python/tf/Graph
3、https://www.tensorflow.org/api_docs/python/tf/GraphKeys
4、通过 g.as_graph_def().node 获取模型全部节点的名称