TensorFlow学习(一)

实现简单的加法运算

import tensorflow as tf
'''
运行时会警告指出你的CPU支持AVX运算加速了线性代数计算，即点积，矩阵乘法，卷积等。可以从源代码安装TensorFlow来编译，也可以添加下面两行代码选则关闭
'''
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def tensorflow_demo():
    a = 2
    b = 3
    c = a + b
    print("普通加法运算的结果：\n", c)

    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算的结果：\n", c_t)

    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n", c_t_value)

    return None


if __name__ == "__main__":	# 注意为两个下划线
    # TensorFlow的基本结构
    tensorflow_demo()
    
# 运行结果
普通加法运算的结果：
 5
TensorFlow加法运算的结果：
 Tensor("add:0", shape=(), dtype=int32)
c_t_value:
 5

TensorFlow结构分析

TensorFlow程序经常被组织成一个构件图阶段和一个执行图阶段。

在构建阶段，数据与操作的执行步骤被描述成一个图。

在执行阶段，使用会话执行构建好的图中的操作。

• 图和会话：

  图：TensorFlow将计算表示为指令之间的依赖关系的一种表示法

  会话：TensorFlow跨一个或多个本地或远程设备运行数据图的机制

• 张量：TensorFlow中的基本数据对象

• 节点：提供图中执行的操作

TensorFlow数据流图

TensorFlow是一个采用数据流图(data flow graphs)，用于数值计算的开源框架。

节点(Operation)在图中表示数学操作，线(edges)则表示在节点间互相联系的多维数据数组，即张量(tensor)

图与TensorBoard

图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元之间的流动关系。

图相关操作

默认图：通常TensorFlow会默认创建一张图

查看默认图的两种方法：

• 通过调用tf.get_default_graph()访问，要将操作添加到默认图形中，直接创建OP即可
• op，sess都含有graph属性默认在一张图中

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def graph_demo():
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("TensorFlow加法运算的结果：\n", c_t)
    # 查看默认图
    # first：调用方法
    default_g = tf.get_default_graph()
    print("default_g:\n", default_g)
    # second：查看属性
    print("a_t的图属性：\n", a_t.graph)
    print("c_t的图属性：\n", c_t.graph)
    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n", c_t_value)
        print("sess的图属性：\n", sess.graph)
    return None


if __name__ == "__main__":
    graph_demo()
'''
运行结果：
TensorFlow加法运算的结果：
 Tensor("add:0", shape=(), dtype=int32)
default_g:
 <tensorflow.python.framework.ops.Graph object at 0x0000021EF853C240>
a_t的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000021EF853C240>
c_t的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000021EF853C240>
c_t_value:
 5
sess的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x0000021EF853C240>
'''

创建图

可以通过tf.graph()自定义创建图

如果要在这张图中创建OP，典型用法是使用tf.graph.as_default()上下文管理器

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'


def graph_demo(): 
    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("c_new:\n", c_new)
        print("a_new的图属性：\n", a_new.graph)
        print("c_new的图属性：\n", c_new.graph)

    # 开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n", c_t_value)
        print("sess的图属性：\n", sess.graph)

    with tf.Session(graph=new_g) as new_sess:
        c_new_value = new_sess.run(c_new)
        print("c_new_value:\n", c_new_value)
        print("new_sess的图属性：\n", new_sess.graph)

    return None

if __name__ == "__main__":
    graph_demo()
    
'''
运行结果：
a_new的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001B6C2B217F0>
c_new的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001B6C2B217F0>
c_t_value:
 5
sess的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001B6B0CCC358>
c_new_value:
 50
new_sess的图属性：
 <tensorflow.python.framework.ops.Graph object at 0x000001B6C2B217F0>
'''

TensorBoard：可视化学习

TensorBoard为TensorFlow中的可视化工具。

实现过程

1. 数据序列化-event文件

   TensorBoard通过读取TensorFlow的事件来运行，需要将数据生成一个序列化的Summary protobuf对象。

   # 返回filewriter，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
   tf.summary.FileWrite('C:\Users\user\Desktop\test', graph=sess.graph)
   # 这将会在指定目录中生成一个event文件，名称如下
   events.out.tfevents.{timestamp}.{hostname}
   

2. 启动TensorBoard

   tensorboard --logdir="C:\Users\user\Desktop\test"
   # 然后再浏览器中打开Tensorboard的图页面127.0.0.1:6006