[1] 从零开始 TensorFlow 学习

时间：2022-07-12 15:32:16

计算图的基本概念

TensorFlow 的名字中己经说明了它最重要的两个概念一一Tensor 和 Flow

Tensor: 张量(高阶数组,矩阵为二阶张量,向量为一阶张量,标量为零阶张量)

Flow: 流动的张量数据 (形状shape可以像水流一样变动)

所以TensorFlow是一个通过先构建图,然后通过张量Flow的形式来表述计算的编程系统

TensorFlow中的每一个计算都是图上的一个节点 ,称为Operation,简称op

节点之间的边 描述了计算之间的依赖关系

[1] 从零开始 TensorFlow 学习       左图即为TensorFlow的基本计算图

如果 一个运算的输入依赖于另一个运算的输出，那么这两个运算有依赖关系。

a 和 b 这两个常量不依赖任何其他计算, 而 add 计算则依赖读取两个常量的取值

计算图的使用

TensorFlow程序 可以分为A,B两个阶段

通过默认的tf.get_default_graph将定义的计算转化成计算图

　　A阶段: 定义计算图中的所有计算 ()

import tensorflow as tf

a = tf.constant([1.0,2.0],name='aa')

b = tf.constant([2.0,3.333],name="bb")

result = a + b

　　B阶段: 执行计算图 ()

with tf.Session() as sess:

    tf.global_variables_initializer().run()

    print(sess.run(result))

通过tf.Graph函数生成新的计算图 (相互独立不共享)

　　A阶段: 定义计算图中的所有计算 ()

import tensorflow as tf

g1 = tf.Graph()

with g1.as_default():

    # v = tf.get_variable("v",initializer=tf.zeros_initializer(shape=[1])) # 该写法已经废弃

    # 在计算图 g1 中定义变量“v”，并设置初始值为0的2*2的Tensor

    v = tf.get_variable("v1",shape=[2,2],initializer=tf.zeros_initializer)

g2 = tf.Graph()

with g2.as_default():

    # 在计算图 g2 中定义变量“v”，并设置初始值为1的2*2的Tensor

    v = tf.get_variable("v2",shape=[2,2],initializer=tf.ones_initializer)

　　B阶段: 执行计算图 ()

# 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("v1")))

# 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("v2")))

TensorFlow中的计算图提供了管理张量与计算的机制. 计算图可以通过 tf.Graph.device函数来指定运行计算的设备,这为TensorFlow 使用特定设备(GPU,TPU)提供了入口.

　　以下是选择设备进行计算的的具体演示:

import tensorflow as tf

g = tf.Graph()

a = tf.constant([1,2,3],name="aaa")

b = tf.constant([3,2,1],name="bbb")

# 指定计算运行的设备

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

    result = a + b

在一个计算图中，可以通过集合 (collection）来管理不同类别的资源(变量) 。

比如通过 tf.add_to_collection 函数可以将变量加入一个或多个集合中

然后通过 tf.get_collection 获取一个集合里面的所有资源。这里的资源可以是张量、变量或者运行 TensorFlow 程序所需要的队列资源

tf.add_n：把集合 (collection) 里的东西都依次加起来

import tensorflow as tf

v1 = tf.get_variable(name='v1', shape=[1], initializer=tf.constant_initializer(1))

tf.add_to_collection('loss', v1)

v2 = tf.get_variable(name='v2', shape=[1], initializer=tf.constant_initializer(2))

tf.add_to_collection('loss', v2)

collection_sum = tf.add_n(tf.get_collection('loss'))  # 累加collection

with tf.Session() as sess:

    sess.run(tf.global_variables_initializer())

    print (tf.get_collection('loss'))

    print (sess.run(collection_sum))

"""

输出:

[<tf.Variable 'v1:0' shape=(1,) dtype=float32_ref>, <tf.Variable 'v2:0' shape=(1,) dtype=float32_ref>]

[3.]

"""

 TensorFlow的数据模型: Tensor张量

张量在 TensorFlow 中的实现并不是直接采用数组的形式，它是对 TensorFlow 中运算结果的引用,在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

以张量加法为实际实验

import tensorflow as tf

# tf.constant 是一个计算,这个计算结果为一个张量,保存在变量a中

a = tf.constant([[1.2,2.4],

                 [2.4,3.6]],name="a")

b = tf.constant([[3.3,4.4],

                 [4.4,5.5]],name="b")

result = tf.add(a,b,name="add")

print (result)

"""

输出:

Tensor("add:0", shape=(2, 2), dtype=float32)

"""

从以上代码可以看出 TensorFlow 中的张量和 NumPy 中的数组不同， TensorFlow 计算的结果不是一个具体的数字， 而且一个张量的结构.

一个张量中主要保存了三个属性：名字(name)、维度(shape)和 数据类型(dtype)

而张量的第一个属性名字不仅是一个张量的唯一标识符， 通过 “node:src_output”的 形式来给出。其中 node 为节点的名称,比如上面代码打出来的“add, src_output 表示当前张量来自节点的第几个输出。"add:0"

就说明了 result 这个张量是计算节点“add” 输出的第一个结果 (编号从0开始)。

TensorFlow 运行模型一会话Session()

会话Session拥有并管理 TensorFlow 程序运行时的所有资源(变量)。所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现 资源泄漏的问题。 

推荐做法:

# 创建一个会话，并通过 Python 中的上下文管理器来管理这个会话

with tf.Session() as sess:

    # 使用创建好的会话来计算关心的结果

    sess.run( ... )

# 不需要再调用“Session.close()”函数来关闭会话

# 当上下文退出时会话关闭和资源释放也自动完成了
# 上下文管理器的机制: 只要将所有的计算放在 “with”的内部就可以 

前面说过计算图没有特殊的指定,TensorFlow会自动生成一个默认的计算图用于运算使用,TensorFlow 中的会话也有类似的机制，但 TensorFlow 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

import tensorflow as tf

# tf.constant 是一个计算,这个计算结果为一个张量,保存在变量a中

a = tf.constant([[1.2,2.4],

                 [2.4,3.6]],name="a")

b = tf.constant([[3.3,4.4],

                 [4.4,5.5]],name="b")

result = tf.add(a,b,name="add")

sess = tf.Session()

with sess.as_default():

    print(result.eval())

# 以下代码可以完成相同的功能

sess = tf.Session()

print(sess.run(result))

print(result.eval(session=sess))

sess.close()

通过ConfigProto Protocol Buffer来配置需要生成的会话,下面是通过ConfigProto配置会话的方法:

config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)

sess1 = tf.Session(config=config)

ConfigProto 还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

参数中最常用的有两个:

第一个是 allow_soft_placement，这是一个bool型的参数 ,使得代码的可移植性强(有无GPU都可运算)

这个的参数的默认值为False, 当它为True时, 在以下任意一个条件成立时, GPU上的运算可以放到CPU上进行：

1. 运算无法在GPU上执行

2. 没有GPU资源 (比如运算被指定在第二个GPU上运行,但是机器只有一个GPU)

3. 运算输入包含对CPU计算结果的引用

第二个使用得比较多的配置参数是 log_device _placement 也是一个bool型的参数,当它为 True 时日志中将会记录每个节点被安排在哪个设备上以方便调试。而在生产环境中 将这个参数设置为False 可以减少日志量.

相关文章