TensorFlow

最新推荐文章于 2020-08-28 10:50:59 发布

南方的树～

最新推荐文章于 2020-08-28 10:50:59 发布

阅读量171

点赞数

分类专栏： python TensorFlow 文章标签： TensorFlow

本文链接：https://blog.csdn.net/weixin_42384085/article/details/95042052

版权

python 同时被 2 个专栏收录

20 篇文章 1 订阅

订阅专栏

TensorFlow

1 篇文章 0 订阅

订阅专栏

TensorFlow

前端系统：定义程序的图的结构
后端系统：运算图结构
tensor：张量
operation（op）：专门运算的操作节点，所有操作都是一个op
图：graph：整个程序的结构
会话：运算程序的图

图

图默认已经注册，一组表示tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象
获取调用：
- tf.get_default_graph()
- op、sess或者tensor的graph属性
图的创建
- tf.Graph()
- 使用新创建的图
  - g = tf.Graph()
  - with g.as_default():
    - a = tf.constant(1.0)

会话

会话的作用：
- 1，运行图的结构
- 2，分配资源计算
- 3，掌握资源（变量生命周期，队列，线程）
tf.Session()
- 运行TensorFlow操作图的类，使用默认注册的图（可以指定运行图）
会话资源
- 会话可能拥有很多资源，如tf.Variable,tf.QueueBase和tf.ReaderBase,会话结束后需要进行资源释放
- 1，sess = tf.Session() sess.run(…) sess.close（sess.run，启动整个图）
- 2，使用上下文管理器（对比第一种方法）
  - with tf.Session() as sess:
    - sess.run(…)
- config = tf.ConfigProto(log_device_placement=True)
- 交互式：tf.InteractiveSession()
会话里面的run方法
- run(fetches,feed_dict=None,graph=None)
  - 运行ops和计算tensor
  - 嵌套列表，元组，namedtuple，dict或OrderedDict（重载的运算符也能运行）
  - feed_dict 允许调用者覆盖图中指定张量的值，提供给placeholder使用
  - 返回值异常
    - RuntimeError：如果它Session处于无效状态（例如已关闭）。
    - 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。

张量（tensor）

tensorflow依赖的是numpy
张量的阶和数据类型
- Tensorflow基本的数据格式
- 一个类型化的N维数组（tf.Tensor）
- 三部分，名字，形状，数据类型
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
张量的动态形状与静态形状
- Tensorflow中，张量具有静态形状和动态形状
- 静态形状：
  - 创建一个张量，初始状态的形状
    - tf.Tensor.get_shape():获取静态形状
    - tf.Tensor.set_shape():更新Tensor对象的静态形状，通常用于在不能直接推断的情况下。
- 动态形状：
  - 一种描述原始张量在执行过程中的一种形状（动态变化）
  - tf.reshape:创建一个具有不同动态形状的新张量。
- 要点：
  - 1，转换静态形状的时候，1-D到1-D，2-D到2—D，不能跨阶数改变形状
  - 2，对于已经固定或者设置静态形状的张量/变量，不能再次设置静态形状
  - 3，tf.reshape()动态创建新张量时，元素个数不能不匹配
张量操作-生成张量
- 固定值张量
  -

在这里插入图片描述

正态分布

变量

变量也是一种op，是一种特殊的张量，能够进行存储持久化，它的值就是张量，默认被训练。
变量的创建
- tf.Variable(initial_value=None,name=None,trainable=True)
  - 创建一个带值initial_value的新变量
  - assign(value)-----为变量分配一个新值,返回新值
  - eval(session=None)------计算并返回此变量的值
  - name属性表示变量的名字
变量的初始化
- tf.global_variables_initializer()
- 添加一个初始化所有变量的op，在会话中开启。

可视化学习Tensorboard

数据序列化-events文件
- Tensorboard通过读取TensorFlow的事件文件来运行
tf.summary.FileWriter("/tmp/tensorflow/summary/test/",graph=)
- 返回filerwriter，写入事件文件到指定目录（最好用绝对路径），以提供给tensorboard使用
开启
- tensorboard --logdir="/tmp/tensorflow/summary/test/"
- 一般浏览器打开为127.0.0.1:6006
注：修改程序后，在保存一遍会有新的事件文件，打开默认最新
增加变量显示
目的：观察模型的参数、损失值等变量值的变化
- 1，收集变量
  - tf.summary.sclar(name=’’,tensor)收集对于损失函数和准确率等单值变量，name为变量的名字，tensor为值
  - tf.summary.history(name=’’,tensor)收集高纬度的变量参数
  - tf.summary.image(name=’’,tensor)收集输入的图片张量能显示图片
- 2，合并变量写入事件文件
  - merged = tf.summary.merge_all()
  - 运行合并：summary = sess.run(merged),每次迭代都需运行
  - 添加：FileWriter.add_summary(summary,i)i表示第几次的值。

tensorflow实现一个简单的线性回归案例

1，准备好1特征和1目标值(y = x*0.7 + 0.8)
2，建立模型，准备一个权重w，一个偏置b（随机初始化） y_predict = xw+b（模型的参数必须用变量定义）
3，求损失函数，均方误差((y1-y1’)^{2+…+(y_100-y_100’)}2)/100
4，梯度下降优化损失的过程，指定学习率
Tensorflow运算API
- 矩阵运算
  - tf.matmul(x,w)
- 平方
  - tf.square(error)
- 均值
  - tf.reduce_mean(error)
梯度下降API
- tf.train.GrandientDescentOptimizer(learning_rate)
  - 梯度下降优化
  - learning_rate:学习率，一般为
  - method：
  - minimize(loss)
  - return:梯度下降op
关于梯度爆炸/梯度消失
- 在极端情况下，权重的值变得非常大，以至于溢出，导致NaN值
- 如何解决梯度爆炸问题（深度神经网络（如RNN）当中更容易出现）
- 1，重新设计网络
- 2，调整学习率
- 3，使用梯度截断（在训练过程中检查和限制梯度的大小）
- 4，使用激活函数
tensorflow变量作用域
- tf.variable_socpe(<socpe_name>)创建指定名字的变量的作用域
  - 观察变量的name改变
- 嵌套使用变量作用域
  - 观察变量的name改变
模型保存和加载
- tf.train.Saver(var_list=None,max_to_keep=5)
  - var_list:指定将要保存和还原的变量。它可以作为一个dict或一个列表传递
  - max_to_keep:指示要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件，默认为5（即保留最新的5个检查点文件。）
- 例如：saver.save(sess,"/tmp/ckpt/test/model")
  - saver.restore(sess,"/tmp/ckpt/test/model")
- 保存文件格式：checkpoint文件

线程队列与IO操作

队列和线程
- 队列与队列管理器
  - Tensorflow队列
    - 在训练样本的时候，希望读入的训练样本是有序的
    - tf.FIFOQueue先进先出队列，按顺序出队列
    - tf.RandomShuffleQueue随机出队列
  - tf.FIFOQueue
    - FIFOQueue(capacity,dtypes,name=‘fifo_queue’)
    - 创建一个以先进先出的顺序对元素进行排队的队列
      - capacity：整数。可能存储在此队列中的元素数量的上限
      - dtypes：DType对象列表。长度dtypes必须等于每个队列元素中的张量数，dtype的类型形状，决定了后面进队列元素的形状
      - method
        dequeue(name=None)
        enqueue(vals,name=None)
        enqueue_many(vals,name=None):vals列表或者元组
        返回一个进队列操作
        size(name=None)
  - 队列管理器
    - tf.train.QueueRunner(queue,enqueue_ops=None)
    - 创建一个QueueRunner
      - queue:A Queue
      - enqueue_ops:添加线程的队列操作列表，[]*2指定两个线程
      - create_threads(sess,coord=None,start=False)
      - 创建线程来运行给定会话的入队操作
        start：布尔值，如果True启动线程；如果为False调用者必须调用start()启动线程
        coord：线程协调器，后面线程管理需要用到
        return：线程的实例
- 线程协调器
  - tf.train.Coordinator()
  - 线程协调员实现一个简单的机制来协调一组线程的终止
    - request_stop()
    - should_stop()检查是否要求停止
    - join(threads=None,stop_grace_period_secs=120)等待线程终止
    - return:线程协调员实例

文件读取

1，文件读取API—文件队列构造
- tf.train.string_input_producer(string_tensor,shuffle=True)
- 将输出字符串（例如文件名）输入到管道队列
  - string_tensor:含有文件名的1阶张量，就相当于一个列表（含路径）
  - num_epochs：过几遍数据，默认无限过数据
  - return：具有输出字符串的队列
2，文件阅读器
- 根据文件格式，选择对应的文件阅读器
- class tf.TextLineReader
  - 阅读文本文件逗号分隔值（csv）格式，默认按行读取
  - return：读取器实例
- tf.FixedLengthRecordReader(record_bytes)
  - 要读取每个记录是固定数量字节的二进制文件
  - record_bytes：整型，指定每次读取的字节数
  - return：读取器实例
- tf.TFRecordReader
  - 读取TfRecords文件
- 有一个共同的读取方法：
- read(file_queue):从队列中指定数量内容
- 返回一个Tensors元组（key文件名字，value默认的内容（行，字节））
3，文件内容解码器
- 由于从文件中读取的是字符串，需要函数去解析这些字符串到张量
- tf.decode_csv(records.record_defaults=None,field_delim=None,name=None) 将CSV转换为张量，与tf.TextLineReader搭配使用
  - records:tensor型字符串，每个字符串是csv中的记录行
  - field_delim:默认分隔符","
  - record_defaults:参数决定了所得张量的类型，并且设置一个值在输入字符串中缺少使用默认值
- tf.decode_raw(bytes,out_type,little_endian=None,name=None)
- 将字节转换为一个数字向量表示，字节为一字符串类型的张量，与函数tf.FixedLengthRecordReader搭配使用，二进制读取为unit8格式
4,开启线程操作
- tf.train.start_queue_runners(sess=None,coord=None)
- 收集所有图中的队列线程，并启动线程
  - sess：所在的会话中
  - coord：线程协调器
  - return：返回所有线程队列
5，管道读端批处理
- tf.train.batch(tensors,batch_size,num_threads=1,capacity=32,name=None)
  - 读取指定大小（个数）的张量
  - tensor：可以是包含张量的列表
  - batch_size：从列表中读取的批处理大小
  - num_threads：进入队列的线程数
  - capacity：整数，队列中元素的最大数量
  - return：tensors
- tf.train.shuffle_batch(tensors,batch_size,capacity,min_after_dequeue,num_threads=1,)
- 乱序读取指定大小（个数）的张量
- min_after_dequeue:留下队列里的张量个数，能够保持随机打乱

图片读取

图像数字化三要素
- 三要素：长度，宽度，通道数
图像的基本操作
- 目的：
  - 1，增加图片数据的统一性
  - 2，所有图片转换成指定大小
  - 3，缩小图片数据量，防止增加开销
- 操作：
  - 1，缩小图片大小
- 图像基本操作API
  - tf.image.resize_images(images,size)—缩小图片
    - images:4-D形状[batch,height,width,channels]或3—D形状的张量[height,width,channels]的图片数据
    - size:1-D int32张量：new_height,new_width,图像的新尺寸
    - 返回4-D格式或者3-D格式图片
图像读取API
- 图像读取器
- tf.WholeFileReader
  - 将文件的全部内容作为值输出的读取器
  - return：读取器实例
  - read(file_queue):输出将是一个文件名（key）和该文件的内容（value）
- 图像解码器
- tf.image.decode_jpeg(contents)
  - 将JPEG编码的图像解码为uint8张量
  - return：uint8张量，3-D形状[height,width,channels]
- tf.image.decode_png(contents)
  - 将PNG编码的图像解码为uint8或uint16张量
  - return：张量类型，3-D形状[height,width,channels]
图片批处理案例流程
- 1，构造图片文件队列
- 2，构造图片阅读器
- 3，读取图片数据
- 4，处理图片数据

TFRecords分析、存取

tensorflow自带的文件格式：
- 1，方便读取和移动
TFRecords文件分析
- 文件格式：*.tfrecords
- 写入文件内容：Example协议块
- 对于每一个样本，都要构造example协议块
TFRecords存储
- 1，建立TFRecord存储器
  - tf.python_io.TFRecordWriter(path)—写入tfrecords文件
  - path：TFRecords文件的路径
  - return：写文件
  - method
    - writer(record):向文件中写入一个字符串记录(example)
    - close()：关闭文件写入器
    - 注：字符串为一个序列化的Example，Example_SerializeToString()
- 2，构造每个样本的Example协议块
  - tf.train.Example(features=None)
    - 写入tfrecords文件
    - features：tf.train.Features类型的特征实例
    - return：example格式协议块
  - tf.train.Features(feature=None)
    - 构建每个样本的信息键值dui
    - feature：字典数据，key为要保存的名字，value为tf.train.Feature实例
    - return：Features类型
  - tf.train.Feature(**options)
    - **options:例如：
      - bytes_list=tf.train.BytesList(value=[Bytes])
      - int64_list=tf.train.Int64List(value=[Value])
  - tf.train.Int64List(value=[Value])
  - tf.train.BytesList(value=[Bytes])
  - tf.train.FloatList(value=[value])
- 3，TFRecords读取方法
- 同文件阅读器流程，中间需要解析过程
- 解析TFRecords的example协议内存块
- tf.parse_single_example(serialized,features=None,name=None)
  - 解析一个单一的Example原型
  - serialized：标量字符串Tensor，一个序列化的Example
  - features：dict字典数据，键为读取的名字，值为FixedLenFeature
  - return：一个键值对组成的字典，键为读取的名字
- tf.FixedLenFeature(shape,dtype)
  - shape:输入数据的形状，一般不指定，为空列表
  - dtype：输入数据类型，与存储进文件的类型要一致，类型只能是float32，int64，string

南方的树～

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
TensorFlow

TensorFlow前端系统：定义程序的图的结构后端系统：运算图结构tensor：张量operation（op）：专门运算的操作节点，所有操作都是一个op图：graph：整个程序的结构会话：运算程序的图图图默认已经注册，一组表示tf.Operation计算单位的对象和tf.Tensor表示操作之间流动的数据单元的对象获取调用：tf.get_default_graph...
复制链接

扫一扫

专栏目录