上一节
《Tensorflow入门(二)——基本操作》
下一节
《Tensorflow入门(四)——激活函数》
原文链接:https://my.oschina.net/u/876354/blog/1930490
本文在原文基础上进行细微的修改和完善。
计算图是TensorFlow的核心概念,使用图(Graph)来表示计算任务,由节点和边组成。TensorFlow由前端负责构建计算图,后端负责执行计算图。
为了执行图的计算,图必须在会话(Session)里面启动,会话将图的操作分发到CPU、GPU等设备上执行。
下面将介绍如何在TensorFlow里面创建会话、图以及基本操作。
1. 图(Graph)
TensorFlow Python库已经有一个默认图 (default graph),如果没有创建新的计算图,则默认情况下是在这个default graph里面创建节点和边。
在图里面添加节点非常方便。例如现在要创建这样的计算图,两个张量相加,如下图:
代码如下:
import tensorflow as tf
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([3.0, 4.0], name='b')
result = tf.add(a, b)
现在默认图就有了三个节点,两个constant(),和一个add()。
为了真正使两个张量相加并得到结果,就必须在会话里面启动这个图。
2. 会话(Session)
要启动计算图,首先要创建一个Session对象。
使用tf.Session()创建会话,调用run()函数执行计算图。
如果没有传入任何创建参数,会话构造器将启动默认图。如果要指定某个计算图,则传入计算图参数(如g1),则创建会话方式为tf.Session(graph=g1)
创建会话(Session)主要有以下三种方式:
-
创建一个会话
# 启动默认图 sess = tf.Session() result_value = sess.run(result) print(result_value) # ==> [4.0 6.0] # 任务完成, 关闭会话. sess.close()
-
创建一个会话(常用)
Session在使用完后需要关闭以释放资源,除了显式调用close外,也可以使用“with”代码块 来自动完成关闭动作。代码如下:with tf.Session() as sess: result_value = sess.run(result) print(result_value) # ==> [4.0 6.0]
-
创建一个默认的会话
sess = tf.Session() with sess.as_default(): result_value = result.eval() print(result_value)
当指定默认会话后,可以通过tf.Tensor.eval函数来计算一个张量的取值。
-
创建一个交互式会话
在交互式环境下(例如IPython),使用设置默认会话的方式来获取张量的取值更加方便。
TensorFlow提供了一种在交互式环境下直接构建默认会话的函数:tf.InteractiveSession,该函数会自动将生成的会话注册为默认会话,使用 tf.Tensor.eval()代替 Session.run(),代码如下:sess = tf.InteractiveSession() result_value = result.eval() print(result_value) sess.close()
3. 构建多个计算图
在TensorFlow中可以构建多个计算图,计算图之间的张量和运算是不会共享的,通过这种方式,可以在同个项目中构建多个网络模型,而相互之间不会受影响。
使用tf.Graph()函数构建图,构建多个计算图的方式如下:
# 构建计算图g1
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]))
# 构建计算图g2
g2 = tf.Graph()
with g2.as_default():
# 在计算图g2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):
print(sess.run(tf.get_variable('v')))
# 输出结果[0.]
# 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):
print(sess.run(tf.get_variable('v')))
# 输出结果[1.]
4. 指定运行设备
如果电脑有多个GPU,可以在图、会话中指定要运行的设备
-
在图中指定运行设备
g = tf.Graph() # 指定计算运行的设备。 with g.device('/gpu:0'): result = tf.add(a, b)
-
在会话中指定运行设备
with tf.Session() as sess: with tf.device("/gpu:0"): result = tf.add(a, b)
运行的设备用字符串进行标识,目前支持的设备包括:
- ’/cpu:0’:机器的 CPU
- ’/gpu:0’:机器的第一个 GPU,如果有的话
- ’/gpu:1’:机器的第二个 GPU,以此类推
通过以上介绍,已经了解了图、会话的基本操作,使用图 (graph) 来表示计算任务,使用会话 (Session) 来执行图。