【TensorFlow】基本用法

最新推荐文章于 2024-08-20 18:55:43 发布

店小不二

最新推荐文章于 2024-08-20 18:55:43 发布

阅读量726

点赞数

分类专栏： tensorflow 文章标签： TensorFlow

tensorflow 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

注：本文仅作为个人学习用，原文自TensorFlow中文社区http://www.tensorfly.cn/

基本使用

使用图（graph）来表示计算任务
在被称之为 会话（Session） 的上下文（context）中执行图
使用tensor表示数据
通过 变量（Variable） 维护状态
使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从其中获取数据

综述

TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称为op（operation的缩写）。一个op获得0个或多个 Tensor ，执行计算，产生0个或多个 Tensor 。每个Tensor是一个类型化的多维数组，例如你可以将一组图像集表示为一个四维浮点数数组，这四个维度分别是 [batch, height, width, channels]。

一个TensorFlow图描述了计算的过程。为了进行计算，图必须在 会话 里被启动。会话 将图的op分发到诸如CPU或者GPU之类的 设备 上，同时提供执行op的方法。这些方法执行后，将产生的Tensor返回。在Python语言中，返回的Tensor是numpy ndarray 对象，在C和C++语言中，返回的Tensor是 tensorFlow::Tensor 实例。

计算图

TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图在执行阶段，使用会话执行图中的op。

例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。

TensorFlow支持C,C++,Python编程语言。目前，TensorFlow的Python库更加易用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被C和C++库支持。

三种语言的会话库（session libraries）是一致的。

构建图

构建图的第一步，是创建源op（source op）。源op不需要任何输入，例如 常量（Constant）。源op的输出被传递给其他op做运算。

Python库中，op构造器的返回值代表被构造出的op的输出，这些返回值可以传递给其他op构造器作为输入。

TensorFlow Python库有一个 默认图（default graph） ，op构造器可以为其增加节点。这个默认图对许多程序来说已经足够用了，阅读Graph类文档来了解如何管理多个图。

import tensorflow as tf

# 创建一个常量op，产生一个1*2矩阵。这个op被作为一个节点
# 加到默认图中。
#
# 构造器的返回值代表该常量op的返回值
matrix1 = tf.constant([[3., 3.]])

# 创建另外一个常量op，产生一个2*1矩阵
matrix2 = tf.constant([[2.], [2.]])

# 创建一个矩阵乘法matmul op,把'matrix1'和'matrix2'作为输入
# 返回值 'product' 代表矩阵乘法的结果
product = tf.matmul(matrix1, matrix2)

默认图现在有三个节点，两个constant() op 和一个matmul() op。为了真正进行矩阵相乘运算，并得到矩阵乘法结果，你必须在会话里启动这个图。

在一个会话中启动图

构造阶段完成后，才能启动图。启动图的第一步是创建一个Session 对象，如果无任何创建参数，会话构造器将启动默认图。

如果了解完整的会话API，请阅读Session类

# 启动默认图
sess = tf.Session()

# 调用sess的'run()'方法来执行矩阵乘法op,传入'product'作为该方法的参数.
# 上面提到，'product'代表了矩阵乘法op的输出，传入它是向方法表明，我们希望取回矩阵乘法op的输出
#
# 整个执行过程是自动化的，会话负责传递op所需要的全部输入.op通常是并发执行的
#
# 函数调用'run(product)'触发了图中三个op（两个常量op和一个矩阵乘法op）的执行
#
# 返回值'result'是一个numpy 'ndarray'对象
result = sess.run(product)
print result
# ==> [[12.]]

# 任务完成，关闭会话
sess.close()

Session 对象在使用完成后需要关闭以释放资源。除了显示调用close外，也可以使用”with”代码块来自动完成关闭动作。

with tf.Session() as sess:
    result = sess.run([product])
    print result

在实现上，TensorFlow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源（如CPU或GPU）。一般不需要显式指定使用CPU还是GPU，TensorFlow能自动检测。如果检测到GPU，TensorFlow会尽可能地利用找到的第一个GPU来执行操作。

如果机器上有超过一个可用的GPU，除第一个外的其他GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，你必须将op明确指派给它们执行。with...Device 语句用来指派特定的CPU或者GPU执行操作

with tf.Session() as sess:
    with tf.device("/gpu:1"):
        matrix1 = tf.constant([[3., 3.]])
        matrix2 = tf.constant([[2.], [2.]])
        product = tf.matmul(matrix1, matrix2)
        ...

设备用字符串进行标识，目前支持的设备包括：

" /cpu:0" : 机器的CPU
" /gpu:0" : 机器的第一个GPU，如果有的话
" /gpu:1" : 机器的第二个GPU，以此类推
阅读使用GPU章节，了解TensorFlow GPU使用的更多信息。

Tensor

TensorFlow程序使用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor。你可以把TensorFlow tensor看作是一个n维的数组或列表。一个tensor包含一个静态类型rank，和一个shape。想了解TensorFlow是如何处理这些概念的，参见Rank, Shape,和 Type

变量

Variables for more details
变量维护图执行过程中的状态信息。下面的例子演示了如何使用变量实现一个简单的计数器。

# 创建一个变量，初始化标量0
state = tf.Variable(0, name="counter")

# 创建一个op，其作用是使state增加1

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

# 启动图后，变量必须先经过'初始化'(init) op 初始化
# 首先必须增加一个'初始化' op到图中
init_op = tf.initialize_all_variables()

# 启动图，运行op
with tf.Session() as sess:
    #运行'init' op
    sess.run(init_op)
    #打印'state'的初始值
    print sess.run(state)
    #运行op，更新'state',并打印'state'
    for _ in range(3):
        sess.run(update)
        print sess.run(state)

# 输出：

# 0
# 1
# 2
# 3

代码中assign() 操作是图所描绘的表达式的一部分，正如add() 操作一样.所以在调用run() 执行表达式之前，它并不会真正执行赋值操作。

通常会将一个统计模型中的参数表示为一组变量。例如，你可以将一个神经网络的权重作为某个变量存储在一个tensor中。在训练过程中，通过重复运行训练图，更新这个tensor。

Fetch

为了取回操作的输出内容，可以在使用Session 对象的run() 调用执行图时，传入一些tensor，这些tensor会帮助你取回结果。在之前的例子里，我们只取回了单个节点state ,但是你也可以取回多个tensor:

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session():
    result = sess.run([mul, intermed])
    print result

# 输出
# [array([21.], dtype=float32), array([7.], dtype=float32)]

需要获取的多个tensor值，在op的一次运行中一起获得（而不是逐个去获取tensor）

Feed

上述实例在计算图中引入了tensor，以常量或者变量的形式存储。TensorFlow还提供了feed机制，该机制可以临时替代图中的任意操作中的tensor可以对图中任何操作提交补丁，直接插入一个tensor。

feed使用一个tensor值临时替换一个操作的输出结果。你可以提供feed数据作为run() 调用的参数。feed只在调用它的方法内有效，方法结束，feed就会消失。最常见的用例就是将某些特殊的操作指定为”feed” 操作，标记的方法是使用tf.placeholder()为这些操作创建占位符

input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
    print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

# 输出:
# [array([14.], dtype=float32)]

for a larger-scale example of feeds. 如果没有正确提供 feed, placeholder() 操作将会产生错误