Tensorflow中的会话、张量、变量

最新推荐文章于 2024-06-26 00:16:52 发布

那一年_我九岁

最新推荐文章于 2024-06-26 00:16:52 发布

阅读量268

点赞数

分类专栏： tensorflow 文章标签： tensorflow python 人工智能

本文链接：https://blog.csdn.net/weixin_44852067/article/details/126372702

版权

tensorflow 专栏收录该内容

12 篇文章 0 订阅

订阅专栏

1.会话

1.1 定义

一个运行TensorFlow operation的类。会话包含以下两种开启方式

tf.Session：用于完整的程序当中
tf.InteractiveSession：用于交互式上下文中的TensorFlow ，例如shell

1 TensorFlow 使用 tf.Session 类来表示客户端程序（通常为 Python 程序，但也提供了使用其他语言的类似接口）与 C++ 运行时之间的连接

2 tf.Session 对象使用分布式 TensorFlow 运行时提供对本地计算机中的设备和远程设备的访问权限。

1.2 _init_(target=‘’, graph=None, config=None)

	会话可能拥有的资源，如 tf.Variable，tf.QueueBase和tf.ReaderBase。当这些资源不再需要时，释放这些资源非常重要。因此，需要调用tf.Session.close会话中的方法，或将会话用作上下文管理器。

def session_demo():
    """
    会话演示
    :return:
    """
    a_t = tf.constant(10)
    b_t = tf.constant(20)

    c_t = tf.add(a_t, b_t)
    print("tensorflow实现加法运算:", c_t)
    # tensorflow实现加法运算: Tensor("Add:0", shape=(), dtype=int32)
    
    # 开启会话
    with tf.Session() as sess:
        print(sess.run([a_t, b_t]))
        # 获取张量值的方法
        # eval() 函数用来执行一个字符串表达式，并返回表达式的值。
        print("在sess当中的sum_t:", c_t.eval())
        # 获取张量图的属性
        print("会话的图属性：", sess.graph)
    return None

_init_()参数详解:

target：如果将此参数留空(默认设置)，会话将仅使用本地计算机中的设备。可以指定 grpc:// 网址，以便指定 TensorFlow 服务器的地址，这使得会话可以访问该服务器控制的计算机上的所有设备。
graph：默认情况下，新的 tf.Session 将绑定到当前的默认图。
config：此参数允许您指定一个 tf.ConfigProto 以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

# 运行会话并打印设备信息
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                        log_device_placement=True))
# /job:localhost/replica:0/task:0/device:XLA_CPU:0 -> device: XLA_CPU device

1.3 run()

run(fetches,feed_dict=None, options=None, run_metadata=None)

通过使用sess.run()来运行operation
fetches：单一的operation，或者列表、元组(其它不属于tensorflow的类型不行)
feed_dict：参数允许调用者覆盖图中张量的值，运行时赋值
与tf.placeholder搭配使用，则会检查值的形状是否与占位符兼容

def session_run_demo1():
    """
    session中的run方法
    placeholder提供占位符，run时候通过feed_dict指定参数
    在编写 TensorFlow 程序时，程序传递和运算的主要目标是tf.Tensor
    """
    # 定义占位符
    a = tf.placeholder(tf.float32)
    b = tf.placeholder(tf.float32)
    sum_ab = tf.add(a, b)
    print("sum_ab:", sum_ab) # sum_ab: Tensor("Add_1:0", dtype=float32)
    # 开启会话
    with tf.Session() as sess:
        print("占位符的结果", sess.run(sum_ab, feed_dict={a: 3.0, b: 4.0}))
    return None

2.张量

TensorFlow 的张量就是一个 n 维数组，类型为tf.Tensor。Tensor具有以下两个重要的属性

type:数据类型
shape:形状(阶)

一般将零维的张量称为标量或者常数，一维的张量可理解为向量，二维张量可理解为矩阵，三维则是三维数组。

2.1 张量的类型

数据类型	Python 类型	描述
DT_FLOAT	tf.float32	32 位浮点数.
DT_DOUBLE	tf.float64	64 位浮点数.
DT_INT64	tf.int64	64 位有符号整型.
DT_INT32	tf.int32	32 位有符号整型.
DT_INT16	tf.int16	16 位有符号整型.
DT_INT8	tf.int8	8 位有符号整型.
DT_UINT8	tf.uint8	8 位无符号整型.
DT_STRING	tf.string	可变长度的字节数组.每一个张量元素都是一个字节数组.
DT_BOOL	tf.bool	布尔型.
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数:实数和虚数.
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整型.
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整型.
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整型.

2.2 张量的阶

阶	数学实例	Python	例子
0	纯量	(只有大小)	s = 483
1	向量	(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵	(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量	(数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶	(自己想想看)	…

2.3 创建张量

2.3.1 创建固定张量

tf.zeros(shape, dtype=dtypes.float32, name=None) 创建所有元素设置为零的张量
tf.ones(shape, dtype=dtypes.float32, name=None) 创建所有元素设置为1的张量
tf.constant_v1(
value, dtype=None, shape=None, name=“Const”, verify_shape=False) 创建一个常数张量

# 创建一维张量 4个元素
a = tf.zeros(4)
print(a)  # Tensor("zeros:0", shape=(4,), dtype=float32)

# 创建一维张量 4个元素
aa = tf.zeros([4])
print(aa)  # Tensor("zeros_1:0", shape=(4,), dtype=float32)

# 创建3行3列的二维张量
b = tf.zeros([3, 3])
print(b)  # Tensor("zeros_1:0", shape=(3, 3), dtype=float32)

# 创建3行3列的二维张量
bb = tf.zeros((3, 3))
print(bb)  # Tensor("zeros_2:0", shape=(3, 3), dtype=float32)

# 指定类型
c = tf.zeros([3, 3], tf.int8)
print(c)  # Tensor("zeros_3:0", shape=(3, 3), dtype=int8)

# 创建常数张量
t = tf.constant(value=30.0, dtype=tf.float32, name='t')
# # Tensor("t:0", shape=(), dtype=float32)

2.3.2 创建随机张量

tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=dtypes.float32,seed=None,name=None) 从正态分布中输出随机值,由正态分布数字组成的矩阵

# 创建2行2列均值为0标准差为1的随机数张量
a = tf.random_normal([2, 2], mean=0, stddev=1)
print(a)  # Tensor("random_normal:0", shape=(2, 2), dtype=float32)

2.4 张量的变换

2.4.1 类型变换

tf.string_to_number(string_tensor, out_type=_dtypes.float32, name=None)将输入张量中的每个字符串转换为指定的数值类型
tf.to_double(x, name=“ToDouble”) 将Tensor类型转换为float64
tf.to_float(x, name=“ToFloat”) 将Tensor类型转换为float32
tf.to_bfloat16(x, name=“ToBFloat16”) 将Tensor类型转换为bfloat16
tf.to_int32(x, name=“ToInt32”) 将Tensor类型转换为int32
tf.to_int64(x, name=“ToInt64”) 将Tensor类型转换为int64
tf.cast(x, dtype, name=None) 将Tensor类型转换为新的类型

t1 = tf.Variable([1, 2, 3, 4, 5])
t2 = tf.cast(t1, dtype=tf.float32)

print('t1: {}'.format(t1))  # t1: <tf.Variable 'Variable:0' shape=(5,) dtype=int32_ref>
print('t2: {}'.format(t2))  # t2: Tensor("Cast:0", shape=(5,), dtype=float32)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sess.run(t2)
    print(t2.eval())  # [1. 2. 3. 4. 5.]
    print(sess.run(t2))

2.4.2 形状变换

张量形状:
- 静态形状：初始形状，存储数据
  - 一旦固定，不能修改。
- 动态形状：运算过程中的形状
  - reshape函数，可以返回一个新的张量。
  - 可以多次修改、跨阶修改，元素总数量保持一致。

张量形状改变时，要注意元素个数一致。且静态张量形状一旦确定，不能进行修改。

import tensorflow as tf

pld = tf.placeholder(tf.float32, [None, 3])  # n行三列的张量
print(pld)  # Tensor("Placeholder:0", shape=(?, 3), dtype=float32)
# 静态形状，一旦确定不能修改
pld.set_shape([4, 3])  # ok
print(pld)  # Tensor("Placeholder:0", shape=(4, 3), dtype=float32)
# pld.set_shape([2,3])     # error ,静态张量形状一旦确定不能修改

# 动态张量
new_pld = tf.reshape(pld, [3, 4])  # ok ,动态形状可以再设置
print(new_pld)  # Tensor("Reshape:0", shape=(3, 4), dtype=float32)
new_pld1 = tf.reshape(pld, [2, 6])  # ok，
print(new_pld1)  # Tensor("Reshape_1:0", shape=(2, 6), dtype=float32)
new_pld2 = tf.reshape(pld, [2, 4])  # error，元素个数不一致

2.5 张量的数学运算

计算类型	函数
基本数学计算	tf.math.add、subtract、multiply、divide、abs、pow、sqrt、log、exp、square、reduce_sum
三角函数计算	sin、asin
特殊的三角函数	igamma、zeta
复数计算	imag、angle
数据分割	segment_sum
最值运算	argmax

加减乘除

# 定义张量常量
a = tf.constant([3, 8])
b = tf.constant([2, 5])
add = tf.add(a, b)  # 加法
sub = tf.subtract(a, b)  # 减法
mul = tf.multiply(a, b)  # 乘法
div = tf.divide(a, b)  # 除法

=====================================================================================
a = tf.constant([[1.0, 2], [-3, 4.0]], name='a')
b = tf.constant([[5.0, 6], [7.0, 8.0]], name='b')
print('a: {}'.format(a))  # a: Tensor("a:0", shape=(2, 2), dtype=float32)
print('b: {}'.format(b))  # b: Tensor("b:0", shape=(2, 2), dtype=float32)
sum_ab = tf.add(a, b)

with tf.Session() as sess:
    sess.run(sum_ab)
    print("a与b的和为:\n{}".format(sum_ab.eval()))
    
x = tf.constant([2.6, -2.7])

with tf.Session() as sess:
    print(sess.run(tf.math.round(x)))  # 保留整数部分，四舍五入 [3 -3]
    print(sess.run(tf.math.floor(x)))  # 保留整数部分，向下归整 [2 -3]
    print(sess.run(tf.math.ceil(x)))  # 保留整数部分，向上归整  [3 -2]

指数、开方、对数

a = tf.constant([[1.,2.],[3.,4.]])
# 指数为2
b = tf.pow(a,2)
# 开方 
c = tf.sqrt(b)  
 # 自然指数运算
d = tf.exp(a) 
# 对数运算,以自然常数e为底的对数
e = tf.math.log(a)
# 对各个元素求平方
f = tf.square(a)

矩阵相乘

matrix1 = tf.constant([[1,2],[3,4]])
matrix2 = tf.constant([[5,6],[7,8]])
result = tf.matmul(matrix1,matrix2)

3.变量OP

TensorFlow变量是表示程序处理的共享持久状态的最佳方法。变量通过 tf.Variable OP类进行操作。变量的特点：

存储持久化
可修改值
可指定被训练

3.1 创建变量

tf.Variable(initial_value=None,trainable=True,collections=None,name=None)
initial_value:初始化的值
trainable:是否被训练
collections：新变量将添加到列出的图的集合中collections，默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True变量也被添加到图形集合 GraphKeys.TRAINABLE_VARIABLES

变量需要显式初始化，才能运行值

 # 定义变量
    a = tf.Variable(initial_value=30)
    b = tf.Variable(initial_value=40)
    sum_ab = tf.add(a, b)

    # 初始化变量
    init = tf.global_variables_initializer()

    # 开启会话
    with tf.Session() as sess:
        # 变量初始化
        sess.run(init)
        print("sum:", sess.run(sum_ab)) # sum: 70

3.2 使用tf.variable_scope()修改变量的命名空间

with tf.variable_scope("name"):
    var = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)
    var_double = tf.Variable(name='var', initial_value=[4], dtype=tf.float32)
# 打印结果:
<tf.Variable 'name/var:0' shape=(1,) dtype=float32_ref>
<tf.Variable 'name/var_1:0' shape=(1,) dtype=float32_ref>