tensorflow基本结构

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

导入模块(要兼容低版本）

import os
import tensorflow.compat.v1 as tf   # 兼容低版本
tf.disable_v2_behavior()
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告

---

一、TensorFlow结构

TensorFlow程序通常被组织成一个构件图阶段和一个执行图阶段。在构建阶段，数据与操作的执行步骤被描述为一个图; 在执行阶段，使用会话执行构建好的图中的操作

术语介绍：

图：TensorFlow将计算表示为指令之间的依赖关系的一种表示方法
会话：TensorFlow跨一个或多个本地或远程设备运行数据流图的机制
张量：TensorFlow中的基本数据对象
节点：提供图当中执行的操作

二、图

1.图结构

图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间流动的数据

图一般分为默认图和自定义图

查看默认图：
(1)通过调用tf.get_default_graph()访问，要将操作添加到默认图形中，直接创建OP即可

(2)op、sess都含有graph属性，默认都在一张图中

def graph():
    a = tf.constant(2)
    b = tf.constant(3)
    c = a + b
    print("c=",c)

    # 查看默认图
    g = tf.get_default_graph()
    print("g=", g)

    # 查看属性
    print("a:", a.graph)
    print("b:", b.graph)

    # 开启会话
    with tf.Session() as sess:
        c_val = sess.run(c)
        print("c_val :", c_val)
        print("sess:", sess.graph)
'''
c= Tensor("add:0", shape=(), dtype=int32)
g= <tensorflow.python.framework.ops.Graph object at 0x000001474F6A03D0>
a: <tensorflow.python.framework.ops.Graph object at 0x000001474F6A03D0>
b: <tensorflow.python.framework.ops.Graph object at 0x000001474F6A03D0>
c_val : 5
sess: <tensorflow.python.framework.ops.Graph object at 0x000001474F6A03D0>

'''

可以通过tf.Graph()自定义创建图 , 如果要在这张图中创建OP，典型用法是使用tf.Graph.as_default()上下文管理器

a = tf.constant(2)
    b = tf.constant(3)
    c = a + b
    # 自定义图
    new_g = tf.Graph()
    # 定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(80)
        c_new = a_new + b_new
        print("a_new:", a_new.graph)
        print("b_new:", b_new.graph)

    with tf.Session(graph=new_g) as new_sess:
        c_val = new_sess.run(c_new)
        print("c:", c_val)
        print("new_sess", new_sess.graph)
'''
a_new: <tensorf
low.python.framework.ops.Graph object at 0x0000025737982AF0>
b_new: <tensorflow.python.framework.ops.Graph object at 0x0000025737982AF0>
c: 100
new_sess <tensorflow.python.framework.ops.Graph object at 0x0000025737982AF0>
'''

2.TensorBoard

tensorflow用于训练大规模深度神经网络所需的计算，为了更方便tensorflow程序的理解、调试与优化，tensorflow提供了TensorBoard可视化工具

实现程序可视化过程：

(1)实现程序可视化过程

TensorBoard通过读取TensorFlow的事件文件来运行，需要将数据生成一个序列化的Summary protobuf对象

tf.summary.FileWriter(path, graph=sess.graph)

(2)启动TensorBoard

tensorboard --logdir=path

def graph():
    a = tf.constant(2)
    b = tf.constant(3)
    c = a + b
    print("c=",c)

    # 查看默认图
    g = tf.get_default_graph()
    print("g=", g)

    # 查看属性
    print("a:", a.graph)
    print("b:", b.graph)

    # 开启会话
    with tf.Session() as sess:
        c_val = sess.run(c)
        print("c_val :", c_val)
        print("sess:", sess.graph)
        # 将图写如本地生成events文件
        tf.summary.FileWriter("summary", graph=sess.graph)

运行后终端执行tensorboard --logdir=path，出现如图

打开网址即可

三、会话(Session)

Session允许执行图形或部分图形，为此分配资源并保存中间结果和变量的实际值

tf.Session：用于完整的程序当中
tf.InteractiveSession：用于交互式上下文中的TensorFlow，如shell

由上面知道创建一个图形，如下代码

	 # 自定义图
    new_g = tf.Graph()
    # 定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(80)
        c_new = a_new + b_new
        print("a_new:", a_new.graph)
        print("b_new:", b_new.graph)

要为该 Graph（图形）创建一个Session（会话），会话还将分配内存来存储变量的当前值，会话掌握资源，用完要回收 - 上下文管理器

建立会话

with tf.Session() as sess:
	sess.run(sth)

target：如果将此参数留空（默认设置），会话将仅使用本地计算机中的设备。可以指定grpc://网址，以便指定TensorFlow服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备
graph：默认情况下，新的tf.Session将绑定到当前的默认图
config：此参数允许您指定一个tf.ConfigProto以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

运行会话
通过使用sess.run(0)来运行operation

run(fetches, feed_dict=None, options=None, run_metadata=None)

fetches：单一的operation，或者列表、元组（其他不属于tensorflow的类型不行）
feed_dict：参数运行调用者覆盖图中张量的值，运行时赋值，与tf.placeholder搭配使用，则会检查值的形式是否与占位符兼容

def session():
    a = tf.constant(6.8, name='a')
    b = tf.constant(7.9, name='b')
    c = tf.add(a, b, name='c')
    print("a:\n", a)
    print("b:\n", b)
    print("c:\n", c)
    print(".........")

    a1 = tf.placeholder(tf.float32)
    b1 = tf.placeholder(tf.float32)
    c1 = tf.add(a1,b1)
    print("a1:\n", a)
    print("b1:\n", b)
    print("c1:\n", c)
    print(".........")

    # 查看图
    default_g = tf.get_default_graph()
    print("default:",default_g)

    print("a的属性\n",a.graph)
    print("b的属性\n", b.graph)
    print(".........")

    with tf.compat.v1.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) as sess:
        # placeholder
        c_val = sess.run(c1,feed_dict={a1:788.2, b1:82.2})
        print("c_val:",c_val)
        abc = sess.run([a1,b1,c1])

'''

a:
 Tensor("a:0", shape=(), dtype=float32)
b:
 Tensor("b:0", shape=(), dtype=float32)
c:
 Tensor("c:0", shape=(), dtype=float32)
.........
a1:
 Tensor("a:0", shape=(), dtype=float32)
b1:
 Tensor("b:0", shape=(), dtype=float32)
c1:
 Tensor("c:0", shape=(), dtype=float32)
.........
default: <tensorflow.python.framework.ops.Graph object at 0x00000177C189F3D0>
a的属性
 <tensorflow.python.framework.ops.Graph object at 0x00000177C189F3D0>
b的属性
 <tensorflow.python.framework.ops.Graph object at 0x00000177C189F3D0>
c: (AddV2): /job:localhost/replica:0/task:0/device:CPU:0
Add: (AddV2): /job:localhost/replica:0/task:0/device:CPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
Placeholder: (Placeholder): /job:localhost/replica:0/task:0/device:CPU:0
Placeholder_1: (Placeholder): /job:localhost/replica:0/task:0/device:CPU:0

c_val: 870.4
'''

虽然在Pycharm报了许多错，但是最终还是能正确运行，

---

总结

提示：这里对文章进行总结：