Tensorflow学习笔记(一)：常量的运算并用tensorboard输出

最新推荐文章于 2024-02-25 20:04:55 发布

MemoForward

最新推荐文章于 2024-02-25 20:04:55 发布

阅读量648

点赞数

分类专栏： tensorflow学习文章标签： tensorflow

本文链接：https://blog.csdn.net/qq_34294121/article/details/100665309

版权

tensorflow学习专栏收录该内容

3 篇文章 0 订阅

订阅专栏

文章目录

一、前言
二、Welcome to Tensorflow
三、总结

一、前言

·　　本来想看一些培训机构的教程，发现讲的是真的烂，10分钟一个案例就过去了。谁都知道tensorflow是一个机器学习的框架，讲这些案例真的啥也学不到。然后我就去寻找大佬写的教程了，发现有个叫astorfi老哥讲的不错，所以我就准备跟着他的课程教案一路学下来，最近时间太紧了，没什么时间学，争取能在10月中旬把这些教案都学完，算是给tensorflow入个门。
astorifi老哥的github地址：tensorflow课程
本人肯定没有这个老哥厉害，写这个博客只是让自己一边学一边记，各位如果有幸看到这篇文章，还是建议去跟着楼上老哥学哦！

二、Welcome to Tensorflow

·　　本节主要用一个案例来走进Tensorflow的世界。Tensorflow本质上就是一张大图，里面的每一个变量，常量包括计算操作都是一个个的节点。这些节点之间的联系是我们自己定义的，当我们构建好这个图后，要运行这个图，这些节点才会真正操作起来。因为这种设计模式的特殊性，我们不能像以前以前定义一个常量或者变量，而需要用tensoflow自定义的方法去定义一个个节点。
·　　本节用tensorflow提供的可视化工具tensorboard来可视化两个常量之间的加和除结构，以此来给读者展示一下，tensorflow一个简单的图结构。

2.1 环境准备

import tensorflow as tf
import os

2.2 指定tensorboard输出文件的文件夹

# The default path for saving event files is the same folder of this python file.
tf.app.flags.DEFINE_string(
'log_dir', os.path.dirname(os.path.abspath(__file__)) + '/logs',
'Directory where event logs are written to.')

# Store all elements in FLAG structure!
FLAGS = tf.app.flags.FLAGS

os模块的两个函数不用多说了，这里获得了当前文件的绝对路径。注意：在jupyter下没法使用__file__，因为无法识别，请使用sys.argv[0]。
这里主要讲一下tf.app.flags：这个包中有一个变量FLAGS，是用来接收命令行传递的参数。其中tf.app.flags.DEFINE_基本类型这个函数则是用来指定命令行参数的名称和默认值。由上面的例子可知，这个函数接收三个参数：命令行参数名、参数默认值和参数说明。当我们要取这个参数值的时候，直接FLAGS.参数名就可以了。
这里给出一个例子：

# coding: utf-8
import tensorflow as tf
#tf.app.flags.DEFINE_string('f','','kernel')
tf.app.flags.DEFINE_string('testString','untiledString','stringDesc')
tf.app.flags.DEFINE_integer('testInteger',0,'integerDesc')
tf.app.flags.DEFINE_float('testFloat',0.0,'floatDesc')
FLAGS = tf.app.flags.FLAGS
print("String被传入的参数为：", FLAGS.testString)
print("Integer被传入的参数为：", FLAGS.testInteger)
print("Float被传入的参数为：", FLAGS.testFloat)

输出结果：

String被传入的参数为： untiledString
Integer被传入的参数为： 0
Float被传入的参数为： 0.0

·　　注意：在jupyter下，需要把tf.app.flags.DEFINE_string(‘f’,’’,‘kernel’) 的注释解开，否则会出现错误：UnrecognizedFlagError: Unknown command line flag 'f’，我是在这个tensorflow的githubissue里面找到解决的方法的：Unknown f 解决方法。
如果，我们要用命令行参数去改变默认的值，则需要这么输入：

python tf_app_flag_Test.py --testString "修改" --testInteger 1 --testFloat 1.0

可以看到输出就变成了：

String被传入的参数为： 修改
Integer被传入的参数为： 1
Float被传入的参数为： 1.0

可以说，tf.app.flag提供了一个可用命令行修改的变量，但是这个变量和tensorflow的图结构是没有关系的，因为它不是一个节点。

2.3 两个常量之间的加和除

# Defining some constant values
a = tf.constant(5.0, name="a")
b = tf.constant(10.0, name="b")

# Some basic operations
x = tf.add(a, b, name="add")
y = tf.divide(a, b, name="divide")

·　　这里就可以很明显的看出来，tensorflow定义常量的方式和我们的习惯完全不同。这里的a, b, x, y只是一个个节点，每个节点都履行了不同的职责，等到后面可视化的时候就能很明显看出来。这里有个细节：我们自定义节点的时候，会指定一个name值，这有何必要呢？因为这里的name指的是tensorflow内部节点的名称，可以被永久存储在图里，而外面的变量名只是个引用而已，这个引用可以随时指向其他的变量，因此，当我们需要保存或者恢复节点的时候，只能使用name的值来找到某个节点。还要一点需要提及：常量是不会被改变的。

2.4 Run the Experiment

# Run the session
with tf.Session() as sess:
    writer = tf.summary.FileWriter(os.path.expanduser(FLAGS.log_dir), sess.graph)
    print("output: ", sess.run([a,b,x,y]))
# Closing the writer.
writer.close()
#sess.close()

tensorflow如果要运行某个节点的话，就需要用到其与用户交互的session接口，这个接口通过tf.Session()打开，然后用这个接口去run某个节点就可以把对应节点的所保存的值给输出了。
至于with…as…是python的知识，就不讲了，用这种方式的话，会自动帮我们关闭session，否则得手动关闭。
这里os.path.expanduser()是用于把路径中的"~“和” ~user"转换成用户目录，不写也可以。因为那位老哥就是这么写的，我尽量不改他的代码，除非他用的函数过时了。
tf.summary.FileWriter(path, sess.graph) 就是把tensorflow的图保存到指定的文件夹中。

注意：在jupyter中运行是不会输出图文件的，只会输出运行结果，如果要输出图文件必须要在命令行中运行py文件。.ipynb怎么转.py这里就不讲了。

运行的输出结果为：

output: [5.0, 10.0, 15.0, 0.5]

如果要看保存的图文件，就在命令行输入：

tensorboard --logdir="保存图文件的文件夹绝对路径"

如果出现以下的内容，表明打开成功了：

(tensorflow_cpu) I:\Master\Lab\EMCManagement\code\testFolder>tensorboard --logdir="I:\Master\Lab\EMCManagement\code\testFolder\logs"
TensorBoard 1.14.0 at http://DESKTOP-6FNPC4N:6006/ (Press CTRL+C to quit)

然后在浏览器输入：http://DESKTOP-6FNPC4N:6006/或者http://localhost:6006/就可以看到图啦！！！

在这里插入图片描述
·　　可以看到，这些所谓的“常量”和“操作”就是tensorflow图中的一个个节点。