您的位置：首页 > 其它

TensorFlow 基本使用

2016-02-02 13:35 316 查看
使用
TensorFlow
，你必须明白
TensorFlow
：

使用图
(graph)
来表示任务

被称之为会话
(Session)
的上下文
(context)
中执行图

使用
tensor
表示数据

通过变量
(Variable)
维护状态

使用
feed
和
fetch
可以为任意操作
(arbitrary operation)
赋值或者从其中获取数据

综述

TensorFlow
是一个编程系统，使用图来表示计算任务，图中的节点被称之为
op
（
operation
的缩写），一个
op
获得0个或者多个
tensor
，执行计算，产生0个或多个
tensor
。每个
tensor
是一个类型化的多维数组。例如，你可以将一组图像素集表示为一个四维浮点数数组，这四个维度分别是
[batch, height, width, channels]
。

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，将产生的
tensor
返回。在python语言中，返回的
tensor
是
numpy ndarry
对象；在C/C++语言中，返回的是
tensor
是
tensorflow::Tensor
实例。

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为一个图，在执行阶段，使用会话执行图中的
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
。

Tensorflow
支持C/C++，python编程语言。目前，
TensorFlow
的python库更易使用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被C/C++库支持。

三种语言的会话库
(session libraries)
是一致的。

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。源
op
的输出被传递给其它
op
做运算。

python库中，
op
构造器的返回值代表被构造出的
op
输出，这些返回值可以传递给其它
op
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。这个默认图对许多程序来说已经足够用了，可以阅读
Graph
类文档，来了解如何管理多个视图。

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
# 加到默认视图中
# 构造器的返回值代表该常量op的返回值
matrix1 = tr.constant([[3., 3.]])

# 创建另一个常量op, 产生一个2x1的矩阵
matrix2 = tr.constant([[2.], [2.]])

# 创建一个矩阵乘法matmul op，把matrix1和matrix2作为输入：
product = tf.matmul(matrix1, matrix2)


默认图现在有三个节点，两个
constant() op
和
matmul() op
。为了真正进行矩阵乘法的结果，你必须在会话里启动这个图。

在一个会话中启动图

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，会话构造器将无法启动默认图。

欲了解完整的会话API，请阅读
Session
类。

# 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.]]

# 完成任务，关闭会话
sess.close()


Session
对象在使用完成后需要关闭以释放资源，除了显式调用
close
外，也可以使用
with
代码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，以充分利用可以利用的计算资源（如CPU或GPU）。一般你不需要显式指定使用CPU还是GPU，
Tensorflow
能自动检测。如果检测到GPU，
Tensorflow
会尽可能地使用找到的第一个GPU来执行操作。

如果机器上有超过一个可用的GPU，除了第一个外的其他GPU是不参与计算的。为了让
Tensorflow
使用这些GPU，你必须将
op
明确地指派给它们执行。
with...Device
语句用来指派特定的CPU或GPU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
:机器的的第二个GPU，以此类推

交互式使用

文档中的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。

为了便于使用诸如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
sud = tf.sub(x, a)
print sub.eval()
# ==>[-2. -1.]


Tensor

Tensorflow
程序使用
tensor
数据结构来代表所有的数据，计算图中，操作间传递数据都是
tensor
。你可以把
Tensorflow
的
tensor
看做是一个
n
维的数组或列表。一个
tensor
包含一个静态类型
rank
和一个
shape
。

阶

在
Tensorflow
系统中，张量的维数被描述为阶。但是张量的阶和矩阵的阶并不是同一个概念。张量的阶是张量维数的一个数量描述，下面的张量（使用python中
list
定义的）就是2阶：

t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]


你可以认为一个二阶张量就是我们平常所说的矩阵，一阶张量可以认为是一个向量。对于一个二阶张量，你可以使用语句
t[i, j]
来访问其中的任何元素。而对于三阶张量你可以通过
t[i, j, k]
来访问任何元素：

阶数学实例python例子
0
纯量（只有大小）
s=483
1
向量（大小和方向）
v=[1.1, 2.2, 3.3]
2
矩阵（数据表）
m=[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3
3
阶张量
t=[[[2], [4], [6]], [[8], [9], [10]], [[11], [12], [13]]]
n
n
阶

形状

Tensorflow
文档中使用了三种记号来方便地描述张量的维度：阶，形状以及维数。以下展示了它们之间的关系：

阶形状维数实例
0
[]
0-D一个0维张量，一个纯量
1
[D0]
1-D一个1维张量的形式
[5]
2
[D0, D1]
2-D一个2维张量的形式
[3, 4]
3
[D0, D1, D2]
3-D一个3维张量的形式
[1, 4, 3]
n
[D0, D1, ... Dn]
n-D一个n维张量的形式
[D0, D1, ..., Dn]

数据类型

除了维度，
tensor
有一个数据类型属性。你可以为一个张量指定下列数据类型中的任意一个类型：

数据类型python类型描述
DT_FLOAT
tf.float32
32位浮点数
DT_DOUBLE
tf.float64
64位浮点数
DT_INT64
tf.int64
64位有符号整型
DT_INT32
tf.int32
32位有符号整型
DF_INT16
tf.int16
16位有符号整型
DT_INT8
tf.int8
8位有符号整型
DT_UINT8
tf.uint8
8位无符号整型
DT_STRING
tf.string
可变长度的字节数组，每一个张量元素都是一个字节数组
DT_BOOL
tf.bool
布尔型
DT_COMPLEX64
tf.complex64
由32位浮点数组成的负数：实数和虚数
DT_QINT32
tf.qint32
用于量化Ops的32位有符号整型
DT_QINT8
tf.qint8
用于量化Ops的8位有符号整型
DT_QUINT8
tf.quint8
用于量化Ops的8位无符号整型

变量

在Variables 中查看更多细节。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init op初始化
# 首先先增加一个初始化op到图中
init_op = tf.initialize_all_variables()

# 启动图
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
for _ in range(3):
sess.run(update)
print sess.run(state)

# 输出：
# 0
# 1
# 2
# 3


代码中
assign()
操作是图所描述的表达式的一部分，正如
add()
操作一样，所以在调用
run()
执行表达式之前，它并不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，通过反复训练图，更新这个
tensor
。

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，我们只取回了单个节点
state
，但是你也可以取回多个
tensor
:

input1 = tf.constant(3.0)
input2 = tf.constant(4.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
result = sess.run([mul, intermed])
print result

# print
# [27.0, 9.0]


需要获得更多个
tensor
值，在
op
的依次运行中获得（而不是逐个去获得
tenter
）。

Feed

上述示例在计算图中引入
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
使用一个
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。最常见的用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 see:
print sess.run([output], feed_dict={input:[7.]， input2:[2.]})

# print
# [array([ 14.], dtype=float32)]


转自：极客学院：Tensorflow基本使用
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签： 
相关文章推荐
新的分享
章节导航