与之前的模型相比,这个模型更加充分的利用了TensorFlow:
(1)输入采用占位符,并非使用tf.constant节点
(2)模型不再是接收两个离散的变量,而是改为接收任意长度的向量
(3)使用该数据流图时,将随时间计算所有输出的总和
(4)将采用名称作用域对数据流图合理划分
(5)每次运行时,都将数据流图的输出、所有输入的累加以及所有输出的均值保存到磁盘,供Tensorboard使用
import tensorflow as tf#导入TensorFlow库
#构建数据流图
#显式创建Graph对象
graph = tf.Graph()
#设为默认Graph对象
with graph.as_default():
# 创建Variable对象名称作用域
with tf.name_scope("variables"):
# 记录数据流图运行次数的Variable对象,初值为0,数据类型为32位整型,不可自动修改,以global_step标识
global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")
# 追踪模型所有输出累加和的Variable对象,初值为0.0,数据类型为32位浮点型,不可自动修改,以total_output标识
total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")
# 创建变换计算Op名称作用域
with tf.name_scope("transformation"):
# 创建独立输入层名称作用域
with tf.name_scope("input"):
# 创建占位符,接收一个32位浮点型任意长度的向量作为输入,以input_placeholder_a标识
a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")
# 创建独立中间层名称作用域
with tf.name_scope("intermediate_layer"):
# 创建创建归约乘积Op,接收张量输入,输出张量所有分量(元素)的乘积,以product_b标识
b = tf.reduce_prod(a, name="product_b")
# 创建创建归约求和Op,接收张量输入,输出张量所有分量(元素)的求和,以sum_c标识
c = tf.reduce_sum(a, name="sum_c")
# 创建独立输出层名称作用域
with tf.name_scope("output"):
# 创建创建求和Op,接收两个标量输入,输出标量求和,以output标识
output = tf.add(b, c, name="output")
with tf.name_scope("update"):
update_total = total_output.assign_add(output)#用最新的输出更新Variable对象total_output
increment_step = global_step.assign_add(1)#增1更新Variable对象global_step,记录数据流图运行次数
with tf.name_scope("summaries"):#创建数据汇总Op名称作用域
# 计算平均值,输出累加和除以数据流图运行次数,把运行次数数据类型转换为32位浮点型,以average标识
avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")
tf.summary.scalar('output_summary',output)#创建输出节点标量数据统计汇总,以output_summary标识
tf.summary.scalar('total_summary',update_total)#创建输出累加求和标量数据统计汇总,以total_summary标识
tf.summary.scalar('average_summary',avg)#创建平均值标量数据统计汇总,以average_summary标识
with tf.name_scope("global_ops"):#创建全局Operation(Op)名称作用域
init = tf.global_variables_initializer()#创建初始化所有Variable对象的Op
merged_summaries = tf.summary.merge_all()#创建合并所有汇总数据的Op
#运行数据流图
sess = tf.Session(graph=graph)#用显式创建Graph对象启动Session会话对象
writer = tf.summary.FileWriter('./board/improved_graph', graph)#启动FileWriter对象,保存汇总数据
sess.run(init)#运行Variable对象初始化Op
def run_graph(input_tensor):#定义数据注图运行辅助函数
"""
辅助函数:用给定的输入张量运行数据流图,
并保存汇总数据
"""
feed_dict = {a: input_tensor}#创建feed_dict参数字典,以input_tensor替换a句柄的tf.placeholder节点值
# 使用feed_dict运行output不关心存储,运行increment_step保存到step,运行merged_summaries Op保存到summary
_, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)
# 添加汇总数据到FileWriter对象,global_step参数时间图示折线图横轴
writer.add_summary(summary, global_step=step)
#用不同的输入用例运行数据流图
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
writer.flush()#将汇总数据写入磁盘
writer.close()#关闭FileWriter对象,释放资源
sess.close()#关闭Session对象,释放资源
# # To start TensorBoard after running this file, execute the following command:
# # $ tensorboard --logdir=./board/improved_graph