TensorFlow--Chapter03编程基础知识总结,TensorBoard可视化初步

拼搏现实的明天。 2022-11-06 12:50 3阅读 0赞

# TensorFlow1.8编程基础知识总结 #

> TensorFlow–Chapter03编程基础知识总结,TensorBoard可视化初步  
> TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center]

> 由于课程教了1.8版本的操作，所以在这里我会总结TensorFlow1.8版本的编程基础知识  
> 作者：北山啦  
> 地址：https://beishan.blog.csdn.net

### 文章目录 ###

*  TensorFlow1.8编程基础知识总结
 *  1 变量与常量
 *   *  1.1 变量
     *  1.2 常量
     *  1.3 序列
     *  1.4 随机量
 *  2 会话
 *   *  2.1 会话的模式1
     *  2.2 会话的模式2
     *  2.3 指定默认的会话
 *  3 变量的赋值
 *  4 占位符、Feed、Fetch
 *  4.1 占位符
 *   *  4.2 fedd\_dict传入值
     *  4.3 多个操作可以通过一次feed完成
     *  4.4 一次返回多个值分别赋给多个变量
 *  5 TensorBoard可视化
 *   *  5.2 产生日志文件
     *  5.2 启动TensorBoard

import tensorflow as tf
    tf.__version__

'1.8.0'

# 1 变量与常量 #

## 1.1 变量 ##

变量创建采用tf.Variable类：例如创建w1、w2变量，初始值分别为3和1

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center 1]

w1 = tf.Variable(initial_value=3, name="w1")
    w2 = tf.Variable(initial_value=1, name="w2")

当创建一个变量时，可以将一个张量作为初始值传入构造函数Variable()

weights = tf.Variable(tf.random_normal(
        [784, 200], stddev=0.35), name="weights")
    biases = tf.Variable(tf.zeros([200]), name="biases")

变量初始化：tf.global\_variables\_initializer()

必须在模型的其他操作运行之前先明确地完成变量初始化，最简单的方法是添加一个给所有变量初始化的操作，并在模型使用前首先运行该操作

Int_ops = tf.global_variables_initializer()
    sess = tf.Session()
    sess.run(Int_ops)

常量是不能修改的张量，用constant类定义

con1 = tf.constant(100)

import tensorflow as tf

## 1.2 常量 ##

*  tf.zeros(shape, dtype=tf.float32, name=None) 创建大小为shape的张量，值都为0
 *  tf.ones(shape, dtype=tf.float32, name=None)
 *  tf.constant(value,dtype=None,name=“Cons”)

x = tf.zeros([2,3],tf.int32)
    sess = tf.Session()
    sess.run(x)

array([[0, 0, 0],
           [0, 0, 0]])

## 1.3 序列 ##

生成序列有以下几种方法

*  tf.linspace(start, stop, num, name=None)
 *  tf.range

a = tf.linspace(10.0,12.0,3,name="linspace")
    sess = tf.Session()
    sess.run(a)

array([ 10.,  11.,  12.], dtype=float32)

## 1.4 随机量 ##

*  tf.random\_normal():生成1个服从正太分布的随机值
 *  tf.random\_uniform()：从均值分布中产生随机值
 *  tf.set\_random\_seed()：设置随机种子
 *  tf.random\_gama():生成一个服从Gama分布的随机值

# 2 会话 #

在TensorFlow的Python API中，张量对象a、b和c是操作结果的字符别名，他其实并不存储输出结果的值  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center 2]

## 2.1 会话的模式1 ##

需要明确调用Session.close()函数来关闭会话并释放资源

tens1 = tf.constant([1, 2, 3])  # 定义计算图
    sess = tf.Session()  # 创建一个会话
    try:
        print(sess.run(tens1))  # 得到张量的取值
    except:
        print("Exception")
    finally:
        sess.close()  # 关闭会话使得本次运行中使用到的资源可以被释放

[1 2 3]

## 2.2 会话的模式2 ##

不需要调用Session.close()函数来关闭会话

# 定义计算图
    node1 = tf.constant(3.0, tf.float32, name="node1")
    node2 = tf.constant(4.0, tf.float32, name="node2")
    result = tf.add(node1, node2)
    # 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:
        print(sess.run(result))

7.0

## 2.3 指定默认的会话 ##

TensorFlow不会自动生成默认的会话，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

node1 = tf.constant(3.0, tf.float32, name="node1")
    node2 = tf.constant(4.0, tf.float32, name="node2")
    result = tf.add(node1, node2)
    
    sess = tf.Session()
    with sess.as_default():
        print(result.eval())

7.0

# 3 变量的赋值 #

与传统编程语法不同，TensorFlow中的变量定义之后，一般五福人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值

*  特殊情况需要人工更新的，可用变量赋值语句tf.assign()  
    ![在这里插入图片描述][2021030914200214.png_pic_center]

通过变量赋值输出1、2、3……10

value = tf.Variable(0, name="value")
    one = tf.constant(1)
    new_value = tf.add(value, one)
    update_value = tf.assign(value, new_value)
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        for _ in range(10):
            sess.run(update_value)
            print(sess.run(value))

1
    2
    3
    4
    5
    6
    7
    8
    9
    10

# 4 占位符、Feed、Fetch #

# 4.1 占位符 #

tf.placeholder(dtype, shape=None, name=None)  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]

"""此代码生成一个2*3的二维数组，矩阵中每个元素的类型都是tf.float32，内部对应的符号名称都是tx"""
    x = tf.placeholder(tf.float32,[2,3],name="tx")

如果构建了一个包含placeholder操作的计算图，但在session中调用run方法时，placeholder占用的变量必须通过feed\_dict参数传递进去

## 4.2 fedd\_dict传入值 ##

a = tf.placeholder(tf.float32,name="a")
    b = tf.placeholder(tf.float32,name="b")
    c = tf.multiply(a,b,name="c")
    init = tf.global_variables_initializer()
    
    with tf.Session() as sess:
        sess.run(init)
        """通过feed_dict的参数传值，按字典格式"""
        result = sess.run(fetches=c, feed_dict={
        a:8.0,b:3.5})
        print(result)

28.0

## 4.3 多个操作可以通过一次feed完成 ##

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)
        """通过feed_dict的参数传值，按字典格式"""
        result = sess.run(fetches=[c,d], feed_dict={
        a:8.0,b:3.5})
        print(result)

28.0 4.5

## 4.4 一次返回多个值分别赋给多个变量 ##

# 作者：北山啦
    # 地址：https://beishan.blog.csdn.net
    
    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)
        """通过feed_dict的参数传值，按字典格式"""
        rc,rd = sess.run(fetches=[c,d], feed_dict={
        a:8.0,b:3.5})
        print("value of c = ",rc,"\nvalue of d = ",rd)

value of c =  28.0 
    value of d =  4.5

# 5 TensorBoard可视化 #

*  TensorBoard是TensorFlow的可视化工具
 *  通过Tensor Flow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  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]

## 5.2 产生日志文件 ##

*  tf.reset\_default\_graph():清除default graph和不断增加的节点

# 作者：北山啦
    # 地址：https://beishan.blog.csdn.net
    
    tf.reset_default_graph()
    
    logdir = "D:/log"
    """定义一个简单的计算图，实现向量加法的操作"""
    input1 = tf.constant([1.0, 2.0, 3.0], name="input1")
    input2 = tf.Variable(tf.random_uniform([3]), name="input2")
    output = tf.add_n([input1, input2], name="add")
    """生成一个写日志的writer，并将当前的TensorFlow计算图写入日志"""
    writer = tf.summary.FileWriter(logdir, tf.get_default_graph())
    writer.close()

![在这里插入图片描述][20210309143633371.png]

## 5.2 启动TensorBoard ##

1.  在Anaconda Prompt中进入日志存放的目录  
    ![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]
2.  运行TensorBoard  
    将日志的地址只想程序日志输出的地址

tensorboard --logdir=D:\log

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 3]  
3. 通过给定的网址，进入即可  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 4]

> 到这里就结束了，如果对你有帮助，欢迎点赞关注评论，你的点赞对我很重要

![在这里插入图片描述][resize_m_lfit_w_962_pic_center]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center]: /images/20221023/43d121ba551b495cbc254c66d459c711.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221023/e7c810e2000c4e5e9329cabd12ffec54.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221023/1ca50a28c6d24d418d26f503f6d1ce4f.png
[2021030914200214.png_pic_center]: /images/20221023/7a7e097322d84f309d79e56a40ad9421.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70]: /images/20221023/1571c589b8f7437796e485767fc0d7e9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 1]: /images/20221023/a2bc41048526446da732838406f81155.png
[20210309143633371.png]: /images/20221023/93790a4ec61841bead7d58b0304f88ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 2]: /images/20221023/60d1a4fbc9a94ef7adc58ad1874e5c3a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 3]: /images/20221023/b723b26d20374b0c9556b9e785f37953.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MTc2NTQ4_size_16_color_FFFFFF_t_70 4]: /images/20221023/f72ba98759ee4524a6c4f6a71668a352.png
[resize_m_lfit_w_962_pic_center]: /images/20221023/fa43f41ca28b4ba69e951037f918ac63.png