TensorFlow入门1-1

什么是TensorFlow

TensorFlow是Google开源的基于数据流图的科学计算库，适合用于机器学习、深度学习等人工智能领域；

Tensorflow的架构

• 前端：编程模型、构造计算图、Python、C++、Java
• 后端：运行计算图、C++

Graph

• 图描述了计算的过程，可以通过tensorboard图形化流程结构
  • 声明（多种声明的形式）

//声明图
import tensorflow as tf
g = tf.Graph()
g = tf.get_default_graph()
x = tf.constant()
g = x.graph()

• 声明和交叉使用多个Graph

  g1 = tf.Graph()
  with g1.as_default():
      x1 = tf.constant(1.0,name='x1')
  
  g2 = tf.Graph()
  with g2.as_default():
      x2 = tf.constant(2.0,name='x2')
  
  with tf.Session(graph=g2) as sess1:
      x1_list = tf.import_graph_def(g1.as_graph_def(),return_elements = ["x1:0"],name = '')
      print(sess1.run(x1_list[0] + x2))    //使用.run()来计算图的流程

• 保存为pb文件

  g1 = tf.Graph()
  tf.train.write_graph(g1.as_graph_def(),'.','graph.pb',False)

• 从pb中恢复Graph

  #load graph
  with gfile.FastGFile("graph.pb",'rb') as f:
      graph_def = tf.GraphDef()
      graph_def.ParseFromString(f.read())
      tf.import_graph_def(graph_def,name='')
  //上面是作为前端创建流程计算图
  //下面是开启会话
  sess = tf.Session()
  c1_tensor = sess.graph.get_tensor_by_name("c1:0")
  c1 = sess.run(c1_tensor)

  Session会话的补充

• 创建和关闭会话

sess = tf.Session()
sess = tf.InteractiveSession() //创建的交互性的会话
with tf.Session() as sess:
    ...
sess.close() //关闭会话

• 注入机制

sess.run(...)
sess.run(tf.global_variables_initializer()) //变量初始化

a = tf.placeholder(dtype=tf.float32)
b = tf.placeholder(dtype=tf.float32)//定义占位浮点数
add = a + b
add_val = sess.run(add,feed_dict={a:1,b:2})

• 指定资源设备

a = tf.placeholder(dtype=tf.float32)
b = tf.placeholder(dtype=tf.float32)
add = a+b
with tf.Session() as sess:
    with tf.device("/cpu:0"):    //指定0号的cpu
        print(sess.run(add,feed_dict={a:1,b:2}))

• 资源分配-控制GPU资源使用率
   

  //如此可以实现GPU的按需分配
  config = tf.ConfigProto()
  config.gpu_options.allow_growth = True
  session = tf.Session(config=config,...)

Tensor

• 在TensorFlow中，所有在节点之间传递的数据都为Tensor对象
• N维数组，图像：(batch*height*width*channel)

Tensor定义

//定义常量
cons = tf.constant(value=[1,2],dtype=tf.float32,shape=(1,2),name='testconst',verify_shape=Flase)

//定义占位符变量，维度已知与未知
X = tf.placeholder(dtype=tf.float32,shape=[144,10],name='X')

X = tf.placeholder(dtype=tf.float32,shape=[None,None],name='X')
//定义变量
W = tf.Variable(tf.zeros([3,10]),dtype=tf.float64,name='W')

 Operation

• TensorFlow Graph中的计算节点，输入输出均为Tensor
• 调用Session.run(tensor)或者tensor.eval()方获取该Tensor的值

Feed

• 通过feed为计算图注入值

a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)

c = tf.add(a,b)

with tf.Session() as sess:
    result = sess.run(c,feed_dict={a:3,b:4})
    print(result)

---

一个小例子

x = tf.placeholder(tf.float32,shape=(1,2))
//创建的w1，w2是符合随机分布的变量
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
#x,w1相乘；a,w2相乘
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)

with tf.Session() as sess:
    #变量运行前必须做初始化操作
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(y,feed_dict={x:[[0.7,0.5]]}))

Fetch

• 使用fetch获取计算结果

tf.Session.run(fetches,feed_dict=None)

 TensorFlow中的数据操作

• TensorFlow提供TFRecord的格式来统一存储数据
• TFRecord将图像数据和标签在一起的二进制文件（protocol buffer），能更好的利用内存，实现快速的复制，移动，读取，存储

---

1.数据读取：tf.train.string_input_producer

2.数据解析：tf.TFRecordReader、tf.parse_single_example

3.数据写入：tf.python_io.TFRecordWriter

数据写入相关的API方法

• writer = tf.python_io.TFRecordWriter()
• example = tf.train.Example()
• writer.close()
• writer.write(example.SerializeToString())

TensorFlow数据读取机制：

为解决图片读取跟计算的异步性，设置了文件名列表

 数据读取的相关API方法

• 直接从文件中读取图片
• 从TF-Record中解析打包的图片数据
  • tf.train.string_input_producer、tf.train.slice_input_producer
  • tf.data库（动态图机制）