Tensorflow进阶（一）

Tensorflow进阶（一）

记录，成为更好的自己

1.图

2.会话

3.张量

4.变量

5.模型保存和加载

6.自定义命令行参数

---

1. 图

不管写什么程序，都要先把图建好，写Python程序也是一样的，把业务逻辑理好，再写程序。

• 图默认已经注册好了，定义一张图，相当于是给程序分配内存。
• 图的创建，使用：tf.Gragh()。图中包含了一组op（操作）和tensor（张量）。
  1. op:使用tensorflow的API定义的函数都是op
  2. tensor：就是指代数据，计算的时候都是使用的tensor，op相当于一个载体。
  3. 使用新创建的图

     g=tf.Graph()
     with g.as_default():
         a=tf.constant(1.0)
     

  • 获取资源
    1. tf.get_default_graph()
    2. op、sess或者tensor的graph属性。

2. 会话

• tensorflow分为前端系统和后端系统

  1. 前端系统：定义程序的图的结构
  2. 后端系统：运算图结构

• 会话：相当于是一个桥梁，连接前端和后端

  • 作用：
    1. 运行图结构
    2. 分配资源计算
    3. 掌握资源（变量的资源，队列，线程（都是多线程，得益于使用的numpy））

• tf.Session(graph=指定的图)，一次只能运行一张图。使用默认注册的图（可以指定）

  1. sess=tf.sess()

  sess.run()启动整个图。
  会话可能有很多资源，因此，会话结束后要释放资源。

  sess.close()关闭整个图。
  2. 使用上下文管理器，会自动释放。
  with tf.Session() as sess: sess.run(.....)
  config=tf.ConfigProto（log_device_placement=True）这张图中的所有资源。

• 交互式的，一般用于命令行。
  tf.InteractiveSession()

  import tensorflow as tf
  a=tf.constant(3.0)
  tf.InteractiveSession()
  a.eval()//打印出a的值，只要有上下文环境，就可以使用eval。
  

• 会话的run方法

  run(fetches, feed_dict=None, graph=None)

  • 用于运行ops和计算tensor
  1. 嵌套的列表，元组。
     • 如sess.run([a, b, sum1])
  2. feed_dict允许调用者覆盖图中指定张量的值，提供给placeholder使用
     • placeholder是占位符，用于实时训练数据,run的时候通过feed_dict指定数据。

     plt = tf.placeholder(dtype, shape=[None, 3])//不指定行数，3列
     sess.run(plt, feed_dict={plt : [[1,2,3],[4,5,,6]]})
     

• 返回值异常
  RuntimeError：如果它Session处于无效状态（已关闭）
  TypeError：如果fetches或feed_dict键是不合适的类型
  ValueError：如果fetches或feed_dict键无效或引用Tensor不存在。

3.张量

1. 张量的阶和数据类型

   张量类似于Numpy，tensorflow依赖了numpy，对numpy进行了封装，类型为tensor。其实就是数组，只不过把名字改了。

   • 一个类型化的N维度数组。
   • Tensor类型由3部分组成，名字（op的名字，如add），形状，数据类型。
     张量的维度成为阶

   阶	数学实例	Python	例子
   0	纯量	(只有大小)	s=483
   1	向量	（大小和方向）	v=[1,2,3]
   2	矩阵	（数据表）	m=[[1,2,3],[4,5,6]]
   3	3阶张量	（数据立体）	t=[[],[],[]]
   n	n阶	（自己想）	…

   ---

   张量的数据类型,跟平常的数据类型查不多

   数据类型	python类型	描述
   DT_FLOAT	tf.float32	32位浮点数
   DT_DOUBLE	tf.float64	64位浮点数
   DT_INT64
   …	…	…

   ---

   张量的属性

   • graph 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

   形状的改变

   • 静态形状

     创建一个张量或者有操作推导出一个张量是，初始的形状

     • tf.get_shape:获取静态形状
     • tf.set_shape:更行Tensor对象的静态形状

     plt = tf.placeholder(tf.float32, [None, 3])
     plt.set_shape([2,3])
     print(plt)
     

     对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改

   • 动态形状

     一种描述原始张量在执行过程中的一种形状

     plt = tf.placeholder(tf.float32, [None, 3])
     plt_reshape = tf.reshape(plt, [3,3])
     print(plt_reshape)
     

     动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配,可以跨维度

   • 区别

     有没有生成一个新的张量数据

2. 张量操作

• 生成张量
  • 固定张量值

    1. 创建所有元素为0的张量

       tf.zeros(shape, dtype=tf.float32, name=None)

    2. 创建所有元素为1的张量

       tf.ones(shape, dtype=tf.float32, name=None)

    3. 创建一个填充了标量值的张量

       tf.constant(value,dtype=None,shape=None,name=‘Const’)

  • 创建随机张量

    • 从正态分布中输出随机值，由随机正态分布的数字组成的矩阵，mean为均值，seddev为方差。

      tf.random_normal(shape, mean=0.0, seddev=1.0, dtype=tf.float32,seed=None, name=None)

• 改变类型
  • tf.string_to_number(string_tensor, out_type=None,name=None)
  • tf.cast(x,dtye,name=None)
• 切片与扩展
  • tf.concat(values, axis, name=‘Concat’)