tensorflow基础实例（一）

      在这篇文章中主要是讲解TensorFlow的基础，常用的session，常量的定义，模型的生成，以及模型的保存，并且如何查看模型 中的实际保存的内容。

一、 TensorFlow 模型

    TensorFlow的命名来源于本身的运行原理。tensor（张量）表示的是N维数组，Flow(流)意味着基于数据流图的计算。

    Tensorflow是张量从图像的一端流动到另一端的计算（编程模型）。

二、 模型的运行机制

    TensorFlow的运行机制属于“定义”与“运行”相分离的。从操作来看分两层：模型构建和模型运行

    模型构建所需概念如下：

    

      以上的定义就是一个“图”：

•  一个“图”就是一个计算任务
• 模型在运行时，“图”会在会话（session）中被启动，
• session将图的op分发到CPU或GPU的设备上，然后提供执行op的方法。执行之后，会返回一个Tensor值，在python中，返回的Tensor是numpy ndarry对象；在C或者C++中返回的是Tensor实例。

   session 与图的工作关系如下图：

  

    在实际环境中，上图的运行情况分3种，训练场景，测试场景，使用场景。训练场景与其他两个场景不同。

  （1） 训练场景： 实现模型从无到有的过程，通过对样本的学习训练，调整学习参数，形成最终的模型。

           过程：将给定的样本和标签作为输入节点，通过大量的循环迭代，将图中的正向运算（从输入的样本通过op运算得到输出的方向）得到的值，在反向运算（从输出到输入的方向），以此来更新模型中的学习参数，最终得到模型产生的正向结果最大化的接近样本标签。

   （2） 测试场景和应用场景： 测试场景利用图的正向运算得到结果与真实值进行对比，得到误差值；使用场景也是利用图的正向运算得到结果，并直接使用。在函数中，可以分为实参，形参，函数体与返回值。在模型中，实参就是输入的样本，形参就是占位符，运算过程就相当于函数体，得到的结果就相当于返回值。

session与图的交互下定义的其他的数据流向：

• 注入机制（feed）：通过占位符向模式中传入数据
• 取回机制（fetch）：从模式中得到结果

三、 实例

   1. session的作用，以及使用例子

# -*- coding: utf-8 -*-
# !/usr/bin/env python
# @Time    : 2019/5/15 11:32
# @Author  : xhh
# @Desc    :  session的演示
# @File    : tensor_tf4.py
# @Software: PyCharm

import tensorflow as tf

hello = tf.constant('hello, tensorflow')  # 定义一个常量
sess = tf.Session()  # 建立一个session
print(sess.run(hello))  # 通过sess中的run函数来运行结果
sess.close()  # 关闭session

运行结果：

注意： 如果你定义的常量里面是含有中文的话，

hello = tf.constant('你好, tensorflow')  # 定义一个常量

是这样的，会出现编码问题

在上面的代码中tf.constant定义的是一个常量，hello的内容只有在session的run内才可以返回。

2. with session的使用

with session是我们以后会经常用的，他沿用了python中的with用法，当程序结束之后会自动关闭session，二不需要在手动的close

例：使用with session方法建立session，并在session中计算两个变量（3和4）的相加与相乘值

import tensorflow as tf

a = tf.constant(3)  # 定义常量3
b = tf.constant(4)  # 定义常量4
with tf.Session() as sess:   # 建立session
    print("相加： %i"%sess.run(a+b))
    print("相乘： %i"%sess.run(a*b))

     运行结果：

3. 注入机制

将具体的实参注入到相对应的placeholder中。feed只在调用它的方法内有效，方法结束后feed就消失。

定义占位符，使用feed机制将具体数值通过占位符传入，并进行相加相乘。

import tensorflow as tf
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
add = tf.add(a, b)
mul = tf.multiply(a, b)

with tf.Session() as sess:
    # 计算具体数值
    print("feed相加：%i"%sess.run(add, feed_dict={a:3, b:4}))
    print("feed相乘：%i"%sess.run(mul, feed_dict={a:3, b:4}))

运行结果：

标记的方法：使用tf.placeholder为这些操作创建占位符，然后使用feed_dict把具体的值放到占位符里。

 4. 保存/载入线性回归模型

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

plotdata = {"batchsize":[], "loss":[]}

def moving_average(a, w=10):
    if len(a)<w:
        return a[:]
    return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]

#  模拟数据
train_X = np.linspace(-1, 1, 100)
train_Y = 2*train_X + np.random.randn(*train_X.shape)*0.3  # 加入了噪声

# 图形展示
plt.plot(train_X,train_Y,'ro',label="original data") # label数据标签
plt.legend()
plt.show()

tf.reset_default_graph()  # 重置会话

# 创建模型
# 占位符
X = tf.placeholder("float")
Y = tf.placeholder("float")
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")

# 前向结构
z = tf.multiply(X, W) +b

# 反向优化
cost = tf.reduce_mean(tf.square(Y-z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

# 初始化变量
init = tf.global_variables_initializer()
# 参数设置
training_epochs = 20
display_step = 2
saver = tf.train.Saver() # 模型生成，并保存
savedir = "log/"

# 启动session
with tf.Session() as sess:
    sess.run(init)

    for epoch in range(training_epochs):
        for (x, y) in zip(train_X,train_Y):
            sess.run(optimizer, feed_dict={X:x, Y:y})

        # 显示训练中的详细信息
        if epoch % display_step == 0:
            loss = sess.run(cost, feed_dict={X:train_X, Y:train_Y})
            print("Epoch:",epoch+1,"cost=", loss,"W=",sess.run(W),"b=",sess.run(b))
            if not (loss=="NA"):
                plotdata["batchsize"].append(epoch)
                plotdata["loss"].append(loss)

        print("finished!")
        saver.save(sess, savedir+"linermodel.cpkt")
        print("cost=",sess.run(cost, feed_dict={X:train_X, Y:train_Y}),"W=", sess.run(W),"b=",sess.run(b))

        # 图形显示
        plt.plot(train_X, train_Y, 'ro', label='Original data')
        plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
        plt.legend()
        plt.show()

        plotdata["avgloss"] = moving_average(plotdata["loss"])
        plt.figure(1)
        plt.subplot(211)
        plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--')
        plt.xlabel('Minibatch number')
        plt.ylabel('Loss')
        plt.title('Minibatch run vs. Training loss')
        plt.show()

在同级目录下的log文件夹下生成了模型：

在重启一个session，并命名为sess2，通过saver的restore函数将模型载入

    # 重启一个Session
    with tf.Session() as sess2:
        sess2.run(tf.global_variables_initializer())
        saver.restore(sess2, savedir+"linermodel.cpkt")
        print("x=0.2, z=",sess2.run(z, feed_dict={X: 0.2}))

测试结果：

5. 查看模型中的内容

查看已经保存的模型内部内容

from tensorflow.python.tools.inspect_checkpoint import print_tensors_in_checkpoint_file

savedir = "log/"
print_tensors_in_checkpoint_file(savedir+"linermodel.cpkt",None,True)

运行结果：

通过运行的结果可以看到模型中保存的就是创建的变量名，以及它的数值。

 

大家可以关注我和小伙伴的公众号~~~这里有我和我的小伙伴不定时的更新一些python技术资料哦！！大家也可以留言，讨论一下技术问题，希望大家多多支持，关注一下，点一下小广告，谢谢大家啦~~