Tensorflow 学习笔记(一)TensorFlow入门

时间:2024-01-20 21:56:49

一、计算模型----计算图

 1.1 计算图的概念:TensorFlow就是通过图的形式绘制出张量节点的计算过程,例如下图执行了一个a+b的操作。

1.2 计算图的使用

TensorFlow程序一般分为两个阶段。第一个阶段定义计算图中的所有计算,第二个阶段执行计算(执行会话)。

阶段一

>>> import tensorflow as tf
>>> a = tf.constant([1,2],name = \'a\')
>>> b = tf.constant([2,4],name = \'b\')
>>> result = a + b

阶段二

>>> ses = tf.Session()
2018-06-06 20:16:14.770712: I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
>>> ses.run(result)
array([3, 6])
>>>

在TF中,系统会自动维护一个默认的计算图,通过tf.get_default_graph函数可以获取当前默认的计算图。

a.graph可以查看当前张量所属的计算图。没有特殊指定的情况下,一般为默认计算图。

>>> tf.get_default_graph()
<tensorflow.python.framework.ops.Graph object at 0x0000020774910828>
>>> a.graph
<tensorflow.python.framework.ops.Graph object at 0x0000020774910828>
#(两个对象的内存地址相同)

TF可以通过tf.Graph函数来生成一个新的计算图。不同计算图上的张量不会共享。

import tensorflow as tf

#创建新的计算图,并且在计算图的上下文管理器中定义变量v,初始化为0
g1 = tf.Graph()
with g1.as_default():
    v = tf.get_variable("v",initializer=tf.zeros_initializer(),shape = [1,])
g2 = tf.Graph()
with g2.as_default():
    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")))


#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")))

可以通过tf.Graph.device()指定运行计算的设备,例如GPU。

g = tf.Graph()

with g.device("gpu/0") :

  result = a + b

二、数据模型------张量

2.1张量的概念

从功能的角度,张量可以被理解成一个N维数组。零阶张量表示标量,一阶张量表示向量,也就是一个以为数组,第n阶张量为矩阵,也就是一个n维数组。

但张量在tf中并不是采用数组的形式,只是对TF的运算结果的引用。

import tensorflow as tf

#tf.constant是一个计算,这个计算的结果为一个张量,保存在变量a中
a = tf.constant([1,2],name="a")
b = tf.constant([1,3],name="b")
result = tf.add(a,b,name="add")
print(result)

#输出结果
Tensor("add:0", shape=(2,), dtype=int32)

TF的计算结果是一个张量结构。一个张量包含三个属性:名字name ,维度shape,类型 dtype。

name :张量的唯一标识。命名规范:“node:src_input” 。node 表示图的节点的名称,src_input 表示张量来自节点的第几个输入(从0开始)

shape:描述张量的维度信息。

dtype;每一个张量有一个唯一的类型。不同类型计算会报错。

import tensorflow as tf

#tf.constant是一个计算,这个计算的结果为一个张量,保存在变量a中
a = tf.constant([1,2],name="a")
b = tf.constant([1.0,3.0],name="b")
result = tf.add(a,b,name="adds")
print(result)

TypeError: Input \'y\' of \'Add\' Op has type float32 that does not match type int32 of argument \'x\'.

tf有14中数值类型

2.2张量的使用。

张量的使用分为两大类:

第一类,对中间计算结果的引用。提高代码的可读性。

import tensorflow as tf

#使用张量记录计算结果
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([1.0,3.0],name="b")
result = a+b
#直接计算向量的和,可读性很差
result = tf.constant([1.0,2.0],name="a") + tf.constant([1.0,2.0],name="b")

第二类情况,当计算图构造完成后,张量可以用来获取计算结果,得到真实的数字。(利用Session)

 

三、TF运行模型----会话

    会话用来执行定义好的计算。会话可以调用和管理TF的所有资源。会话用完后需要关闭释放资源。

会话的模式有两种:

第一种、显式调用会话生成函数和关闭会话函数。

#创建一个会话
sess = tf.Session()
#运行会话得到计算结果
sess.run(result)
#关闭会话,释放资源
sess.close()

第二种,运用上下文管理器来使用会话

with tf.Session() as session:
    session.run(result)

设置默认会话

TF可以手动指定默认的会话,当默认的会话被指定之后可以通过tf.Tensor.eval函数来计算一个张量的取值。

以下两种代码均可以完成这种功能。

import tensorflow as tf
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([1.0,3.0],name="b")
result = a+b
#方法一
sess = tf.Session()
with sess.as_default():
    print(result.eval())
#方法二
sess = tf.Session()
print(sess.run(result))
print(result.eval(session=sess))

设置交互式默认会话

在交互环境下,通过设置默认会话的方式来获取张量的取值更方便。TF提供了在交互环境下直接构建默认会话的函数。这个函数就是tf.InteractiveSession。可以省略将会话注册为默认会话的过程

sess = tf.InteractiveSession()
print(result.eval())
sess.close()

通过ConfigProto Protocol Buffer 来配置需要生成的会话。

config = tf.ConfigProto(allow_soft_placement = True,log_device_placement = True)
sess1 = tf.Session(config=config)
sess2 = tf.InteractiveSession(config=config)

ConfigProto的功能:配置类似并行的线程数、GPU分配策略、运行超时时间参数等。

第一个常用的参数allow_soft_placement。为True的时候,在某些条件成立时下,GPU运算可以放在CPU上进行;

第二个常用参数log_device_placement。当为True的时候,日志会记录每个节点被安排在哪个节点上以方便调试。生产环境中设为False,以减少日志量。

 

四、TF实现神经网络

4.1神经网络简介

使用神经网络解决分类问题主要有以下四个步骤:

 1、提取问题中实体的特征向量作为神经网络的输入。

2.定义神经网络的结构,并定义如何从神经网络的输入得到输出。这就是神经网络的前向传播算法。

3.通过训练数据来调整神经网络中参数的取值,这就是训练神经网络的过程。主要利用反向传播算法。

4.使用训练好的神经网络来预测未知的数据。

4.2 前向传播算法简介以及TF实现前向传播算法。

将输入x1和x2组织成一个1X2的矩阵x = [x1,x2],而w1组织成一个2X3的矩阵:

TF实现前向传播

a = tf.matmul(x,w1)

y = tf.matmul(a,w2)

其中malmul函数实现了矩阵乘法的功能。

4.3 神经网络参数与TensorFlow变量

TF声明一个2X3矩阵变量的方法:

weights = tf.Variable(tf.random_normal([2,3],stddev =2))

其中tf.random_normal([2,3],stddev =2会产生一个2X3的矩阵,矩阵中元素均值为0,标准差为2的随机数。

 

 TF支持的随机数生成器

TF也支持通过常数来初始化变量。

bias(偏置项)通常会使用常数来初始化。

baises = tf.Variable(tf.zeros([3]))

TF还支持通过其他其他变量的初始值来初始化新的变量

w2 = Variable(weights.initiialized_values()  )

w3 =  Variable(weights.initiialized_values() *2.0 )

一个前向传播算法的样例:

 

import tensorflow as tf

#声明w1,w2 两个变量,通过seed设定随机种子

w1 = tf.Variable(tf.random_normal([2,3],stddev=1.0 ,seed =1 ))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1.0 ,seed =1 ))
#暂时将输入的誊正向量定义为一个常量,这里的X是一个【1,2】矩阵
x = tf.constant([[0.7,0.9]])
#通过前向传播算法得到输出y
hd = tf.matmul(x,w1)
y  = tf.matmul(hd,w2)

sess = tf.Session()
#初始化w1和w2
sess.run(w1.initializer)
sess.run(w2.initializer)
print(sess.run(y))
sess.close()

 

这里调用变量的初始化过程比较麻烦,TF提供了一种便捷的方法:initialize_all_variables()

 

 init_op = tf.initialize_all_variables()

sess.run(init_op)

 4.4 通过TensorFlow训练神经网络模型

网络训练的流程图

为了避免大量的存放输入的常量,可以用placeholder

import tensorflow as tf

#声明w1,w2 两个变量,通过seed设定随机种子

w1 = tf.Variable(tf.random_normal([2,3],stddev=1.0 ,seed =1 ))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1.0 ,seed =1 ))
#用placeholder定义存放输入数据的地方,维度可以不用定义,但维度确定,可减少出错率
x = tf.placeholder(tf.float32,shape=(1,2),name= \'input\')
#通过前向传播算法得到输出y
hd = tf.matmul(x,w1)
y  = tf.matmul(hd,w2)

sess = tf.Session()
#初始化w1和w2
init_op = tf.global_variables_initializer()
sess.run(init_op)
#计算过程,需要feed_dict来制定x的值
print(sess.run(y,feed_dict={x:[[0.7,0.9]]}))
sess.close()

定义反向传播算法

#定义损失函数来刻画预测值和真实值的差距
cross_entropy = tf.reduce_mean(y* tf.log(tf.clip_by_value(y,1e-10,1.0)))
#定义学习率
learning_rate = 0.001
#定义反向传播算法来优化神经网络中的参数
train_step = tf.train.AdamOptimizer(learning_rate).minimize(cross_entropy)

sess.run(train_step)

4.5跑一个完整的NN的样例

 在模拟数据集上训练神经网络,实现一个二分类的问题

import tensorflow as tf
from numpy import random as rd

#定义batch的大小
batch_size = 8
#定义神经网络的参数
w1 = tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))
w2 = tf.Variable(tf.random_normal([3,1],stddev=1,seed=1))
# shape的一个维度用None方便使用不大的batch。在训练时需要把数据分成较少的batch,测试时可以一次性使用全部数据
x = tf.placeholder(tf.float32,shape=(None,2),name=\'x_input\')
y_ = tf.placeholder(tf.float32,shape=(None,1),name=\'y_input\')
#学习率
lr = 0.001
#定义前向传播过程
a = tf.matmul(x,w1)
y = tf.matmul(a,w2)
# 定义loss和bp
cross_entropy = -tf.reduce_mean(y_* tf.log(tf.clip_by_value(y,1e-10,1)))
train_step = tf.train.AdamOptimizer(lr).minimize(cross_entropy)

#生成模拟数据集
rdm = rd.RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size,2)
Y = [[int(x1+x2 < 1)] for( x1,x2) in X ]
print(X,Y)
#创建会话来运行TF
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)
    print(sess.run(w1))
    print(sess.run(w2))
    #设定训练次数
    epho = 5000
    for i in range(epho):
        #每次选取batch个样本进行训练
        start = i*batch_size % dataset_size
        end = min(start + batch_size,dataset_size)
        #用样本训练神经网络,更新参数
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
        if i %1000 ==0:
            #每隔一段时间计算在所有数据上的交叉熵斌输出
            total_cross_entropy = sess.run(cross_entropy,feed_dict={x:X,y_:Y})
            print("After %s epho ,total_cross_entropy is %s"%(i,total_cross_entropy))
    print(sess.run(w1))
    print(sess.run(w2))