TensorFlow编程基础

2022-01-09
Author 孙新斌
~4.11K words

1. TensorFlow的基础概念
2. TensorFlow的基本运算

TensorFlow的基础概念

A machine learning platform for everyone to solve real problems.

开放源码软件库，用于进行高性能数值计算

Tensorflow的Hello World

import tensorflow as tf

hello = tf.constant("Hello,World!")

sess = tf.Session()

print(sess.run(hello))

Tensor 张量数据结构：多维数组
Flow 流计算模型：张量之间通过计算而转换的过程

通过计算图的形式表述计算的编程系统，计算为节点，边描述计算之间的关系

计算图是一个有向图，由以下内容构成：
• 一组节点，每个节点都代表一个操作，是一种运算
• 一组有向边，每条边代表节点之间的关系（数据传递和控制依赖）

TensorFlow有两种边：
• 常规边（实线）：代表数据依赖关系。一个节点的运算输出成为另一个节点的输入，两个节点之间有tensor流动（值传递）
• 特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。
比如， happens- - before 关系，源节点必须在目的节点执行前完成执行

计算图的实例

node1 = tf.constant(3.0,tf.float32,name='node1')
node2 = tf.constant(4.0,tf.float32,name='node2')
node3 = tf.add(node1,node2)
print(node3)

输出一个张量结构：

1	Tensor("Add:0", shape=(), dtype=float32)

建立对话显示运行结果：

sess = tf.Session()
print("运行结果：",sess.run(node1))

sess.close()

张量的概念

在TensorFlow中，所有的数据都通过张量的形式来表示
• 从功能的角度，张量可以简单理解为多维数组
零阶张量表示标量（scalar），也就是一个数；
一阶张量为向量（vector），也就是一维数组；
n n 阶张量可以理解为一个 n 维数组；
• 张量并没有真正保存数字，它保存的是计算过程

张量的属性

1	Tensor("Add:0", shape=(), dtype=float32)

名字（ name ）
“node:src_output”：node 节点名称，src_output 来自节点的第几个输出
形状（ shape ）
张量的维度信息， shape=() ，表示是标量
类型（ type ）
每一个张量会有一个唯一的类型
TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

张量的形状

三个术语描述张量的维度：阶（rank）、形状（shape）、维数（dimension number）
shape

tens1 = tf.constant([[[1,2,2],[2,2,3]],
                     [[3,5,6],[5,4,3]],
                     [[7,0,1],[9,1,9]],
                     [[11,12,7],[1,3,14]]],name = 'tens1')
print(tens1)

scalar = tf.constant(100)
vector = tf.constant([1,2,3,4,5])
matrix = tf.constant([[1,2,3],[4,5,6]])
cube_matrix = tf.constant([[[1],[2],[3]],[[4],[5],[6]],[[7],[8],[9]]])

print(scalar.get_shape())
print(vector.get_shape())
print(matrix.get_shape())
print(cube_matrix.get_shape())

rank

（数组下标从0开始）

张量的类型

TensorFlow支持14种不同的类型
实数 tf.float32, tf.float64
整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8
布尔 tf.bool
复数 tf.complex64, tf.complex128
张量的类型
默认类型：
不带小数点的数会被默认为int32
带小数点的会被默认为float32

操作

计算图中的节点就是操作（Operation）
• 一次加法是一个操作
• 一次乘法也是一个操作
• 构建一些变量的初始值也是一个操作
• 每个运算操作都有属性，它在构建图的时候需要确定下来
• 操作可以和计算设备绑定，指定操作在某个设备上执行
• 操作之间存在顺序关系，这些操作之间的依赖就是“ 边”
• 如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B

tf.reset_default_graph()

a = tf.Variable(1,name = "a")
b = tf.add(a,1,name = "b")
c = tf.multiply(b,4,name = "c")
d = tf.subtract(c,b,name = "d")

logdir = 'E:\log'

writer = tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()

TensorFlow的基本运算

会话

会话1

tens1 = tf.constant([1,2,3])
sess = tf.Session()
try:
    print(sess.run(tens1))
except:
    print('Exception!')
finally:
    sess.close()

会话2

1 2	with tf.Session() as sess: print(sess.run(tens1))

在交互式环境下，Python脚本或者Jupyter编辑器下，通过设置默认会话来获取张量的取值更加方便
tf.InteractiveSession 使用这个函数会自动将生成的会话注册为默认会话

常量和变量

常量

在运行过程中值不会改变的单元，在TensorFlow中无须进行初始化操作
创建语句：

1	constant_ name = tf.constant(value)

变量

在运行过程中值会改变的单元，在TensorFlow中须进行初始化操作
创建语句：

1	name_variable = tf.Variable(value, name)

个别变量初始化：

1	init_op = name_variable.initializer()

所有变量初始化：

1	init_op = tf.global_variables_initializer()

变量的赋值

变量更新语句：

1	update_op = tf.assign(variable_to_be_updated, new_value)

占位符

TensorFlow中的 Variable 变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，比如训练数据，这时候需要用到占位符
tf.placeholder 占位符，是TensorFlow中特有的一种数据结构，类似动态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”占位符

TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的Type和Shape
占位符Placeholder的函数接口如下：

1	tf.placeholder(dtype, shape=None, name=None)

Feed提交数据和Fetch提取数据

a = tf.placeholder(tf.float32,name='a')
b = tf.placeholder(tf.float32,name='b')
c = tf.multiply(a,b,name = "c")
d = tf.subtract(a,b,name = "d")

init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    
    result = sess.run([c,d],feed_dict={a:[8.0,2.0,3.5],b:[1.5,2.0,4.0]})
    
    print(result)
    
    print(result[0])

TensorBoard可视化初步

• TensorBoard是TensorFlow的可视化工具
• 通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序
的运行状态
• TensorBoard和TensorFlow程序跑在不同的进程中
TensorBoard不需要额外安装，在TensorFlow安装时已自动完成
在 Anaconda Prompt中先进入日志存放的目录（非常重要！！！）
再运行TensorBoard，并将日志的地址指向程序日志输出的地址
命令：

1	tensorboard --logdir=/path/log

Neo Sun