【TensorFlow】基本概括和用法

川长思鸟来 2023-06-06 12:01 35阅读 0赞

# 基本方法 #

*  使用图（graph）来表示计算任务
 *  在会话（session）的环境（context）中执行图（graph）
 *  使用张量（tensor）表示数据
 *  通过变量（variable）维护状态
 *  使用 feed 和 fetch 为任意操作（arbitraty opertaion）赋值或从其中获取数据

# 综述 #

TensorFlow是一个编程系统，使用**图来表示计算任务**，途中的节点被称为 op（operation）。一个 op 可获得0个或多个 Tensor ，执行计算后可产生0个或多个 Tensor 。

一个 TensorFlow 图描述了计算的过程。为了进行计算，图必须在会话里被启动。会话将图的 op 分发到诸如 CPU 或 GPU 之类的设备上，同时提供执行 op 的方法。这些方法执行后，将新产生的tensor返回。

# 计算图 #

TensorFlow 程序通常被组织成一个**构建阶段**和一个**执行阶段**。在构建阶段，op的执行步骤被描述成一个图。在执行阶段，使用会话（session）执行执行图的op。  
例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。

# 构建图 #

构件图的第一步是创建源op（source op），源op不需要任何输入，如常量（constant）。源op的输出被传递给其他 op 做运算。  
Python库中，op构造器的返回值代表被构造出op的输出，这些返回值可以传递给其他op构造器作为输入。  
TensorFlow Python库中有一个默认图（default graph），op构造器可以为其增加节点。

import tensorflow as tf
    
    # 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点
    # 加到默认图中.
    #
    # 构造器的返回值代表该常量 op 的返回值.
    matrix1 = tf.constant([[3., 3.]])
    
    # 创建另外一个常量 op, 产生一个 2x1 矩阵.
    matrix2 = tf.constant([[2.],[2.]])
    
    # 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
    # 返回值 'product' 代表矩阵乘法的结果.
    product = tf.matmul(matrix1, matrix2)

默认图现在有三个节点，两个 constant op，和一个 matmul op。为了真正进行矩阵相乘运算，并得到矩阵乘法的结果，必须在会话（session）里启动这个图。

# 在会话中启动图 #

构造阶段完成后，才能启动图。启动图的第一步是创建一个Session对象。如果无任何创建参数，Session构造器将启动默认图。

# 启动默认图.
    sess = tf.Session()
    
    # 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
    # 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
    # 矩阵乘法 op 的输出.
    #
    # 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
    # 
    # 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
    #
    # 返回值 'result' 是一个 numpy `ndarray` 对象.
    result = sess.run(product)
    print result
    # ==> [[ 12.]]
    
    # 任务完成, 关闭会话.
    sess.close()

Session 对象在使用完后需要关闭以释放资源。除了显式调用close外，**亦可以使用“with”代码块来自动完成关闭动作。**

with tf.Session() as sess:
      result = sess.run([product])
      print result

在实现上，TensorFlow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源（如CPU和GPU）。一般无需显示指定使用CPU还是GPU，TensorFlow能自动检测。如果检测到GPU，TensorFlow会尽可能地利用找到第一个GPU来执行操作。  
如果机器上有超过一个可用的GPU,除第一个外的其他GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，必须将op明确指派给它们执行。  
使用 `with...Device` 语句来指派特定的CPU或GPU执行操作：

with tf.Session() as sess:
      with tf.device("/gpu:1"):
        matrix1 = tf.constant([[3., 3.]])
        matrix2 = tf.constant([[2.],[2.]])
        product = tf.matmul(matrix1, matrix2)
        ...

设备用字符串进行标识。目前支持的设备包括：

*  `"/cpu:0"`: 机器的 CPU.
 *  `"/gpu:0"`: 机器的第一个 GPU, 如果有的话.
 *  `"/gpu:1"`: 机器的第二个 GPU, 以此类推.

# 交互式使用 #

上面所介绍的 Python 示例使用一个会话`Session`来启动图，并调用`Session.run()`方法执行操作。  
为了便于诸如IPython之类的Python交互环境，可以使用`InteractiveSession`代替`Session`类，使用`Tensor.eval()` 和 `Operation.run()`方法代替`Session.run()`. 这样可以避免使用一个变量来持有会话。

# 进入一个交互式 TensorFlow 会话.
    import tensorflow as tf
    sess = tf.InteractiveSession()
    
    x = tf.Variable([1.0, 2.0])
    a = tf.constant([3.0, 3.0])
    
    # 使用初始化器 initializer op 的 run() 方法初始化 'x' 
    x.initializer.run()
    
    # 增加一个减法 sub op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
    sub = tf.sub(x, a)
    print sub.eval()
    # ==> [-2. -1.]

# 张量Tensor #

TensorFlow程序重用tensor数据结构来代表所有的数据，计算图中，操作间传递的数据都是tensor。你可以把TensorFlow tensor 看作是一个n维的数组或列表。一个tensor包含一个静态类型rank，和一个shape。

# 变量Variable #

变量维护图执行过程中的状态信息。下面的例子演示了如何使用变量实现一个简单的计数器。

# 创建一个变量, 初始化为标量 0.
    state = tf.Variable(0, name="counter")
    
    # 创建一个 op, 其作用是使 state 增加 1
    one = tf.constant(1)
    new_value = tf.add(state, one)
    update = tf.assign(state, new_value)
    
    # 启动图后, 变量必须先经过`初始化` (init) op 初始化,
    # 首先必须增加一个`初始化` op 到图中.
    init_op = tf.initialize_all_variables()
    
    # 启动图, 运行 op
    with tf.Session() as sess:
      # 运行 'init' op
      sess.run(init_op)
      # 打印 'state' 的初始值
      print sess.run(state)
      # 运行 op, 更新 'state', 并打印 'state'
      for _ in range(3):
        sess.run(update)
        print sess.run(state)
    
    # 输出:
    
    # 0
    # 1
    # 2
    # 3

代码中的`assign()`操作是图所描绘的表达式的一部分，正如`add()`操作一样。所以在调用`run()`执行表达式之前，它并会真正执行赋值操作。  
通常会将一个统计模型中的参数表示为一组变量。例如，你可以将一个神经网络的权重作为某个变量存储在一个tensor中。在训练过程中，通过重复运行训练图，更新这个tensor。

# 取回Fetch #

为了取回操作的输出内容，可以在使用`Session`对象的`run()`调用执行图时，传入一些tensor，这些tensor会帮助你取回结果。在之前的例子里，我们只取回了节点op的`state`，但是你也可以取回多个tensor：

input1 = tf.constant(3.0)
    input2 = tf.constant(2.0)
    input3 = tf.constant(5.0)
    intermed = tf.add(input2, input3)
    mul = tf.mul(input1, intermed)
    
    with tf.Session():
      result = sess.run([mul, intermed])
      print result
    
    # 输出:
    # [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

需要获取的多个tensor值，在op的一次运行中一起获得（而不是逐个去获得）。

# 引入Feed #

上述示例在计算图中引入了tensor，以常量或变量的形式存储。TensorFlow还提供了feed机制，该机制可以临时替代图中的任意操作中的tensor，可以对图中任何操作提交补丁，直接插入一个tensor。

feed使用tensor值临时替换一个操作的输出结果。你可以提供feed数据作为`run()`调用的参数。feed只在调用它的方法内有效，方法结束，feed就会消失。最常见的案例是将某些特殊的操作指定为“feed”操作，标记的方法是使用tf.placeholder()为这些操作创建占位符。

input1 = tf.placeholder(tf.types.float32)
    input2 = tf.placeholder(tf.types.float32)
    output = tf.mul(input1, input2)
    
    with tf.Session() as sess:
      print sess.run([output], feed_dict={ input1:[7.], input2:[2.]})
    
    # 输出:
    # [array([ 14.], dtype=float32)]

如果没有正确提供feed，`placeholder`操作将会产生错误。