TensorFlow学习笔记(一)

时间：2023-12-31 09:49:20

[TensorFlow API](https://www.tensorflow.org/versions/r0.12/how_tos/variable_scope/index.html)

TensorFlow是目前最火的深度学习框架。

TensorFlow的环境搭建官网和其他博客都有较多例子，这里不再重复。

本机实验环境
macOS Sierra 10.12.3
tensorflow 1.0.0 CPU版本
Python 3.6.0

TensorFlow测试样例

首先TensorFlow支持C、C++、Python等语言。这里只介绍Python语言的TensorFlow的样例。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
 
import tensorflow as tf
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
result = a + b
sess = tf.Session()
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
>>> sess.run(result)
array([ 3.,  5.], dtype=float32)

>>> type(result)
<class 'tensorflow.python.framework.ops.Tensor'>
  • 要输出相加的结果，不能简单的输出result，而是要先生成一个会话(session)，并且通过这个会话来计算结果。这就是一个非常简单的TensorFlow模型。

TensorFlow入门

TensorFlow计算图

TensorFlow包括俩个重要概念——Tensor和Flow。Tensor就是张量。Flow是流。TensorFlow是一个通过计算图形式来表述计算的编程系统。TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
官网给出了一个演示数据流的图。

TensorFlow学习笔记(一)

TensorFlow计算图的使用

TensorFlow程序一般可以分为2个阶段。第一个阶段要定义计算图中所有的计算。第二个阶段为执行计算。

1
2
3
4
5
6
7
8
 
import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b

print(a.graph is tf.get_default_graph()) # 输出为True
# 通过a.graph可以查看张量所属的计算图，如果没有指定，则为当前默认的计算图。所以输出为True。
# tf.get_default_graph()表示获取当前默认的计算图

除了使用默认的计算图，TensorFlow还支持通过使用tf.Graph来生成新的计算图，不同计算图上的张量和运算都不会共享。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
 
import tensorflow as tf

g1 = tf.Graph()
with g1.as_default():
    # 设置v=0
    v = tf.get_variable("v", initializer=tf.zeros(shape=[1]))
    # 这个在1.0版本之前写成tf.zeros_initializer(shape=[1])下同
g2 = tf.Graph()
with g2.as_default():
    # 设置v=1
    v = tf.get_variable("v", initializer=tf.ones(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()
    # 这里在1.0版本之前是tf.initalizer_all_variables().run()下同
    with tf.variable_scope("", reuse=True):
        # 在计算图g1中，变量"v"的取值应该为0
        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):
        # 在计算图g2中，变量"v"的取值应该为1
        print(sess.run(tf.get_variable("v")))

# 运行结果
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
[ 0.]
[ 1.]

上面代码产生了两个计算图，每个计算图中定义了一个名字为”v”的变量。在计算g1中，将v初始化0;在计算图g2中,将v初始化为1。当运行不同的计算图时,变量v的值也不一样。TensorFlow中的计算图不仅仅可以用来隔离张量和计算,它还提供了管理张量和计算的机制。计算图可以通过tf.Graph.device函数来指定运行计算的设备。

1
2
3
4
5
 
# 例如
g = tf.Graph()
with g.device('/gpu:0'):
    result = a + b
# 后续有更详细的介绍

TensorFlow数据模型——张量

在TensorFlow中所有的数据都通过张量的形式来表示。从功能角度的看，张量可以被简单理解为多维数组。零阶张量表示标量，也就是一个数。一阶张量是向量，也就可以看成一维数组；第n阶张量也可以看成n维数组。但张量并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。张量中并没有真正保存数字，保存的是如何得到这些过程的计算过程。张量的类型当然也可以是字符串，这里先不讨论。

1
2
大专栏  TensorFlow学习笔记(一)>3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
 
import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
print(result)
# 输出为
Tensor("add:0", shape=(2,), dtype=float32)

'''
从这里可以看出TensorFlow中的张量和Numpy的数组不同。
TensorFlow计算的结果不是一个具体的数字，而是一个张量的结构。
一个张量中主要保存了三个属性 name、shape、type
name具体形式为 node:src_output
其中 node 为节点的名称
src_output 表示当前张量来自节点的第几个输出
例如 add:0 表示result这个张量是计算节点add输出的第一个结果(以0为开始)
type 是张量的类型，每一个张量都会有一个唯一的类型。
TensorFlow会对所有参与运算的张量进行类型的检查，当发现类型不匹配时会报错。比如:
'''

a = tf.constant([1, 2], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
print(result)
# 报错
ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 'Tensor("b:0", shape=(2,), dtype=float32)'

# 但是如果在constant里面加入一个参数dtype=tf.float32则程序就正常运行
a = tf.constant([1, 2], name="a", dtype=tf.float32)
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
# 输出
Tensor("add:0", shape=(2,), dtype=float32)

'''
如果不指定默认类型，则TensorFlow会给出默认的类型，
比如无小数点的会被默认为int32，有小数点的会被默认为float32。
TensorFlow支持14种类型
浮点数tf.float32 tf.float64 
整数tf.int8 tf.int16 tf.int32 tf.int64 tf.uint8
布尔型tf.bool 
复数tf.complex64 tf.complex128
'''

TensorFlow运行模型——会话(Session)

  • 明确调用会话生成函数和关闭会话函数，使用这种模式要明确调用Session.close函数关闭会话而释放资源。然而如果程序异常退出时则不会调用close导致资源泄露。
1
2
3
4
5
6
7
8
9
 
import tensorflow as tf
a = tf.constant([1, 2], name="a", dtype=tf.float32)
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name="add")
# 创建一个会话
sess = tf.Session()
sess.run(result)
# 关闭会话使得本次运行中使用的资源可以被释放
sess.close()
  • 使用python的上下文管理器的机制，将所有的计算放在with的内部就可以自动释放所有资源。
1
2
 
with tf.Session() as sess:
    sess.run(result)
  • TensorFlow会自动生成默认的计算图，如果没有特殊指定，运算会自动加入这个计算图中，TensorFlow中的会话也有类似机制，但不会自动生成默认的会话，而是需要手动指定。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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
 
sess = tf.Session()
with sess.as_default():
    print(result.eval())

# 输出 
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.
[ 3.  5.]

# 这2个命令都可以输出一样的结果
print(sess.run(result))
print(result.eval(session=sess))
  • TensorFlow提供了一个直接构建默认会话的函数。使用这个函数会自动将生成的会话注册为默认会话。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
 
sess = tf.InteractiveSession()
print(result.eval())
sess.close()

# 无论哪种方法都可以通过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.InteractiveSession(config=config)
sess2 = tf.Session(config=config)

'''
通过ConfigProto可以配置类似并行的线程数、GPU分配策略、运算超时时间等参数
在这些参数中，最长使用的有两个
1)allow_soft_placement,默认为False,但为True时表示符合以下条件时GPU运算可以放在CPU上进行:
1.运算无法在GPU运行
2.没有GPU资源(运算被指定在第二个GPU运行，但设备只有一个GPU)
3.运算输入包含CPU计算结果的引用
2)log_device_placement,当它为True时日志会记录每个节点被安排在哪个设备上以方便调试,但是在生产环境中设置为False可以减少日志量。
'''

相关文章