TensorFlow计算模型——计算图
关于TensorFlow
TensorFlow是一个采用数据流图(data flow graphs),用于数值计算的开源软件库。节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组,即张量(tensor)。它灵活的架构让你可以在多种平台上展开计算,例如台式计算机中的一个或多个CPU(或GPU),服务器,移动设备等等。TensorFlow 最初由Google大脑小组(隶属于Google机器智能研究机构)的研究员和工程师们开发出来,用于机器学习和深度神经网络方面的研究,但这个系统的通用性使其也可广泛用于其他计算领域
计算图是TensorFlow中最基本的一个概念,TensorFlow中的所有计算都会被转化为计算图上的节点。
计算图的概念
TensorFlow从其名称可以获取的信息是,其包含了两个最重要的概念——Tensor和Flow。
Tensor的概念
Tensor就是张量。张量的概念在数学或物理学中有不同的解释,但在TensorFlow中并不强调它本身的含义,而是将其简单地理解为多维数组。
Flow的概念
如果说TensorFlow中的Tensor表明了它的数据结构,那么Flow则体现了它的计算模型。中文将Flow翻译为“流”,它直观的表达了张量之间通过计算相互转化的过程。
TensorFlow中的计算图
TensorFlow是通过计算图的形式来表述计算的编程系统。TensorFlow中的每个计算都是计算图上的一个节点,而节点之间的边描述了计算之间的依赖关系。
计算图的使用
TensorFlow程序的一般流程
第一,定义计算图中的所有的计算
第二,执行计算
- 计算定义阶段
import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
复制代码
在python中一般会采用“import tensorflow as tf”的形式来载入TensorFlow,这样子使用“tf”来代替“tensorflow”作为模块名称,使得整个程序更加简洁。
- 获取默认计算图以及如何查看一个运算所属的计算图 # 通过a.graph可以查看张量所属的计算图。因为没有特意指定,所以这个计算图应该等于 # 当前默认的计算图。所以下面这个操作输出值为True。 print(a.graph is tf.get_default_graph())
除了使用默认的计算图,TensorFlow支持通过tf.graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享。以下代码示意了如何在不同计算图上定义和使用变量。
import tensorflow as tf
g1 = tf.Graph()
with g1.as_default():
# 在计算图“g1”中定义变量“v”,并设置初始值为0。
v = tf.get_variable("v",initializer=tf.zeros_initializer()(shape=[1]))
g2 = tf.Graph()
with g2.as_default():
# 在计算图“g1”中定义变量“v”,并设置初始值为1。
v = tf.get_variable("v",initializer=tf.ones_initializer()(shape=[1]))
# 在计算图g1中读取变量“v”的取值。
with tf.Session(graph=g1) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope("",reuse=True):
# 在计算图g1中,变量“v”的取值一个为0,所以下面这行会输出[0.]。
print(sess.run(tf.get_variable("v")))
# 在计算图g2中读取变量“v”的取值。
with tf.Session(graph=g2) as sess:
tf.global_variables_initializer().run()
with tf.variable_scope("",reuse=True):
# 在计算图g1中,变量“v”的取值一个为0,所以下面这行会输出[1.]。
print(sess.run(tf.get_variable("v")))
复制代码
以上代码产生了两个计算图,每个计算图中定义了一个名字为“v”的变量。在计算图g1中,将v初始化为0;在计算图g2中,将v初始化为1。可以看出来当运行不同计算图时,变量v的值也是不一样的。TensorFlow中的计算图不仅仅可以用来隔离张量和计算,它还提供了管理张量和计算的机制。计算图可以通过tf.Graph.device函数来制定运行计算的设备。这为TensorFlow使用GPU提供了机制。以下程序可以将加法计算泡在GPU上。
g = tf.Graph()
# 指定计算运行的设备。
with g.device('/gpu:0'):
result = a+b
print(result)
复制代码
github链接:github.com/DWCTOD/AI_s… 欢迎关注我的微信公众号:AI算法与图像处理,获取更多资讯