tensorflow相关笔记

最新推荐文章于 2024-07-23 15:35:01 发布

spxyk

最新推荐文章于 2024-07-23 15:35:01 发布

阅读量112

点赞数

分类专栏：深度学习 tensorflow笔记

本文链接：https://blog.csdn.net/qq_37332827/article/details/100542678

版权

深度学习同时被 2 个专栏收录

2 篇文章 0 订阅

订阅专栏

tensorflow笔记

2 篇文章 0 订阅

订阅专栏

会话（Session）的作用

运行图的结构
分配资源计算
掌控资源（变量，队列，线程）
会话运行的过程：
sess = tf.session sess.run(…) sess.close()

张量的几种属性

gragh 张量所属的默认图
op 张量的操作名
name 张量的字符串描述
shape 张量的形状

静态形状：创建一个张量，初始状态的形状。
tf.Tensor.get_shape() 获取静态形状
tf.Tensor.set_shape() 更新Tensor对象的静态形状，设置之后不能再次设置
对于静态形状来说，不能跨维度修改

动态形状：一种描述原始张量字啊执行过程中的一种形状（动态变化）
tf.reshape: 创建一个具有不同动态形状的新张量
在动态形状改变的时候，需要注意元素数量(个数)要匹配，比如[3, 8] tf.reshape成[5,7]不可以 ，可以改成[4, 6] 或者[2,12]

张量的一些操作

固定值的张量生成：
tf.zeros(shape, dtype = tf.float32, name = None)
创建一个指定形状，且元素值都为0的张量
创建随机值张量：
tf.random_normal(shape, mean = 0.0, stddev=1.0, dtype=tf.float32.seed=None, name=None)
其中mean是平均值，stddev是标准差
张量变换：
tf.cast(x, dtype, name = None) ,将张量中的数值改变为指定类型
张量的切片和扩展：
tf.concat(values,axis, name=‘concat’)
values为多个张量的列表，比如要合并两个张量a和b， value=[a,b]
axis=0，表示按行合并，即行数增加， axis=1，表示按列合并，即列数增加
矩阵的乘法：tf.matmul(x,w)
矩阵平方：tf.square(error)
求均值：tf.reduce_mean(error)

所有对变量op的操作都要在会话中初始化且运行

with tf.Session as sess:
		sess.run(op名称)

变量op是可以持久化保存的，而普通张量不行

使用tensorboard生成模型结构图

将事件文件写入到指定目录
tf.summary.fileWriter(“文件的目录”，gragh=图的描述符（指向图的一个变量op）)
tensorboard --lodir “/path/to/your/events/”
浏览器打开127.0.0.1：6006

定义模型并训练的过程

准别好特征和目标值（数据）
建立模型
定义损失函数
梯度下降优化损失（loss）过程，在tf已有的api中指定学习率即可
梯度下降API:
tf.train.GradientDescentOptimizer(learning_rate)
梯度下降优化
learning_rate:学习率
method:
return:梯度下降op

模型的参数必须要使用变量进行初始化(tf.variable)
********************
if name == main:
方法名
即运行主函数

********************

模型的保存与加载

tf.train.Saver(var_list=None,max_to_keep=5)

**var_list:**指定将要保存和还原的变量。它可以作为一个
dict或一个列表传递.
**max_to_keep：**指示要保留的最近检查点文件的最大数量。
创建新文件时，会删除较旧的文件。如果无或0，则保留所有
检查点文件。默认为5（即保留最新的5个检查点文件。）
例如：

saver.save(sess, '/tmp/ckpt/test/model')
saver.restore(sess, '/tmp/ckpt/test/model')

保存文件格式：checkpoint文件

保存模型的代码实现过程：

在会话前面定义一个模型保存器：
saver = tf.train.Saver()
然后在会话中的程序想要保存模型的位置，增加下面的代码：
saver.save(sess, “/你想/保存/模型文件/的路径/”)
随后会生成相应的模型文件

加载模型的代码实现过程

在会话中，判断指定路径是否有模型，如果有就执行下列代码：
saver.restore(sess, “/模型保存的/路径/”)
其中saver是之前的定义的模型保存器

自定义命令行参数(比较重要)

需要在方法外部进行定义：

定义命令行参数，即有哪些参数需要在运行时候进行指定
tf.app.flags.DEFINE_integer(“参数名称”，默认值， “说明” )
然后定义获取命令行参数的名字
flags = tf.app.flags.FLAGS
其中flags是自己指定的，用于接收参数
然后在会话中，将指定的参数使用flags.参数名称进行替换

最后在命令行执行该pyhon文件的时候，使用–参数名=值，来指定参数数值即可运行。
e.g：

 FLAGS = tf.app.DEFINE_integer("is_train", 1, "指定程序训练还是预测")
 在运行该程序时：	python model.py --is_train=0
 即手动给is_train参数传值

文件读取

通过API构造一个文件队列
构造文件阅读器，读取队列内容，并解码
对于不同文件有不同的读取方式：
1. csv文件：读取一行，
2. 二进制文件：指定一个样本的bytes读取；
3. 图片文件：一张一张读取
批处理

一些文件处理的API：

文件读取API—文件队列构造：

 tf.train.string_input_producer(string_tensor, shuffle=True)
 将输出字符串（例如文件名）输入到管道队列
 string_tensor	含有文件名的1阶张量
 num_epochs:过几遍数据，默认无限过数据
 return:具有输出字符串的队列

图片批处理流程：

构造图片文件队列
构造图片阅读器
读取图片数据
处理图片数据

图片基本操作API

重置图片尺寸：

tf.image.resize_images(images, size)

images：4-D形状[batch, height, width, channels]或3-D形状的张
量[height, width, channels]的图片数据
size：1-D int32张量：new_height, new_width，图像的新尺寸
2. 图像读取器

tf.WholeFileReader

将文件的全部内容作为值输出的读取器
return：读取器实例
read(file_queue):输出将是一个文件名（key）和该文件的内容（值）

解码器

tf.image.decode_jpeg(contents)
将JPEG编码的图像解码为uint8张量
return:uint8张量，3-D形状[height, width, channels]

tf.image.decode_png(contents)
将PNG编码的图像解码为uint8或uint16张量
return:张量类型，3-D形状[height, width, channels]
定义数据占位符
建立模型
计算损失
梯度下降优化