Tensorflow(1.x版本)

Tensorflow（1.x版本）

核心概念Graph和Session

  Data Flow Graph [数据流图]
  计算定义≠执行计算
  计算的定义和执行，被很好地分离开了
  模型跑起来，需要2步:
   描绘整幅图(定义计算)
   在session当中执行图中的运算

Tensorflow

  Tensor + Flow
  张量在图中通过运算(op)进行传递和变换

Tensor是什么？

  在tensorflow里，可以将tensor[张量]理解成一个n维的矩阵：

0-d tensor	1-d tensor	2-d tensor
标量/数 scalar	向量 vector	矩阵 matrix

Tensor

  Numpy Vs Tensorflow

Numpy	Tensorflow
a = np.zeros( (2,2) );b = np.ones( (2,2) )	a = tf.zeros( ( 2,2) );b = tf.ones( (2,2) )
np.sum(b,axis = 1)	tf.reduce_sum(a,reduction_indices = [1])
a.shape	a.get_shape()
np.reshape(a,(1,4))	tf.reshape(a,(1,4))
a*2+1	a*2+1
np.dot(a,b)	tf.matmul(a,b)
a[0,0],a[:,0],a[0,:]	a[0,0],a[:,0],a[0,:]

  在Tensorflow的计算图里看

import tensorflow as tf
a = tf.add(3,5)

  TensorBoard的可视化结果

  x,y是什么？ -> Tensorflow在我们没有指定名称的时候会自动命名x = 3，y = 5
  在“这幅图”里:
  节点: operators, variables, and constants
  边: tensors
  如何取到结果？(print结果不是8)

import tensorflow as tf
a = tf.add(3,5)
print(a)

Tensor(“Add:0”,shape=(),dtype=int32)

  Session
  初始化session，完成操作

import tensorflow as tf
a = tf.add(3,5)
#sess = tf.Session()
with tf.Session() as sess:
	print (sess.run(a))
	#sess.close()

  Session会在计算图里找到a的依赖，把依赖的节点都进行计算
   Graph && Session
  一个复杂一点点的例子:

x = 2
y = 3
op1 = tf.add(x,y)
op2 = tf.multiply(x,y)
with tf.Session() as sess:
	op3 = sess.run(op3)

  我们不需要的依赖，其实不会进行计算，比如下面的例子:

x = 2
y = 3
add_op = tf.add(x,y)
mul_op = tf.mul(x,y)
useless = tf.mul(x,add_op)
pow_op = tf.pow(add_op,mul_op)
with tf.Session() as sess:
	z = sess.run(pow_op)

  如果我需要运行几个运算节点，比如上例中的useless：

x = 2
y = 3
add_op = tf.add(x,y)
mul_op = tf.mul(x,y)
useless = tf.mul(x,add_op)
pow_op = tf.pow(add_op,mul_op)
with tf.Session() as sess:
	z = sess.run([pow_op,useless])

  更全的格式是下面这样，我们把所有需要的变量编成list放到fetches里:

x = 2
y = 3
# …
tf.Session.run(fetches,feed_dict=None,options=None,run_metadata=None)

  指定GPU
  指定CPU or GPU去完成session里的运算:安装为CPU版本Tensorflow,无实际测试代码，不详述

wiht tf.device('/gpu:0') :
	#...

  为什么需要Graph

• 节省资源高效运算(我们只会计算你需要的结果依赖的子图)
• 把整个运算分解成子环节，方便自动求导
• 对分布式运算很友好，计算工作可以分给多个GPU或者多个CPU或者多个设备运算
• 很多机器学习的模型本身也非常适合组织成图格式

  Tensorboard
  了解图结构/可视化的利器
  在定义完计算图 和 运行session之前使用summary writer
  命令行解析日志，浏览器端可视化

  在命令行端运行:
  python [yourprogram].py
  tensorboard --logdir = "./graphs" –port 7001
  打开google浏览器访问:http://localhost:7001/

import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a,b)
with tf.Session() as sess:
	writer = tf.summary.FileWriter('./graphs,sess.graph) #写到日志文件里
	print(sess.run(x))
	writer.close() #关闭writer

  自定义常量名称？建议自己指定

a = tf.constant(2,name="a")

  关于constant 和numpy其实很像
  tf.constant(value,dtype=None,shape=None,name=‘Const’,verify_shape=False)

   operations

• tf.zeros
• tf.zeros_like
• tf.ones
• tf.ones_like
• tf.fill
• tf.constant

   sequences

• tf.linspace
• tf.range

  随机常量 & operations
  现用现查 （实际是懒得整理了，没事了统一整理一下子，后面还有Tensorflow变量也是）

参考资料：
Tensorboard拒绝了连接请求怎么办？
Tensorboard使用Tips