Tensorflow基础语法和概念

Tensorflow基础语法和概念

一些说明：学习tensorflow用到的Python语法，请参考这篇博客

计算图模型

Tensorflow

的构建的机器学习模型都是有向图模型，在

Tensorflow

中，一个图的每个节点都代表一个计算操作，图的边代表数据的流向。使用计算图可以根据操作间的实际依赖关系进行有选择的计算操作，节约计算资源。

Graphs, Sessions, and Fetches

使用

Tensorflow

框架主要包含两个过程：创建一个图模型和执行该图模型。

创建并执行图模型

示例代码：

import tensorflow as tf

# 这里的三个常量是3个图结点
a = tf.constant(5)
b = tf.constant(3)
c = tf.constant(3)

# 这里的三个计算也是3个图结点
d = tf.multiply(a, b)
e = tf.add(c, b)
f = tf.subtract(d, e)

# 执行图模型
sess = tf.Session()
outs = sess.run(f)
sess.close()

# 输出结果
print("outs = {}".format(outs))

计算图模型需要建立在

Tensorflow

的一个Session中，运行时调用

run()

，使用完后要用

close()

进行关闭。

run()

函数的参数只需要标明我们需要的对象即可，比如上面我们需要

f

上述的图模型为：



加减操作等也可以使用符号简化：

构造并管理图模型

当我们导入

Tensorflow

的时候，

Tensorflow

就会自动为我们创建一个计算图。我们可以自己创建额外的图模型，并进行有关的操作。

tf.Graph()

是创建新图的命令，图是

Tensorflow

的一个对象。

import tensorflow as tf
print(tf.get_default_graph())
g = tf.Graph()  # 建立一个新图
print(g)

Fetches

在上述的图模型中，我们有一个特殊的结点

f

作为

run()

的参数，这个参数称为Fetches。我们可以自定义一个参数列表，来输出需要的结点信息。

with tf.Session() as sess:
fetches = [a, b, c, d, e, f]  # 标明需要计算的结点，作为一个feches
outs = sess.run(fetches)
print("outs={}".format(outs))

张量流

图模型的结点是操作，边是张量对象

在图模型中，只有当计算图执行时，图结点的操作才会执行。在设计图模型的阶段，结点的计算过程不会执行，而且结点之间也没哟数据流传递。

数据类型

使用

tf.cast()

可以进行数据类型的转换。

张量数组和形状

张量可以理解成高维数组。除非进行显式说明，否则

Tensorflow

自动进行形状类型推断。当进行高维数组输入输入时，一般使用Python中的

list

或者Numpy中的数组作为输入。

import numpy as np
import tensorflow as tf

c = tf.constant([[1, 2, 3],
[4, 5, 6]])
print("python list input: {}".format(c.get_shape()))

c = tf.constant(np.array([[[1, 2, 3],
[4, 5, 6]],

[[1, 1, 1],
[2, 2, 2]]]
))
print("3d NumPy array input: {}".format(c.get_shape()))

输出：

python list input: (2, 3)
3d NumPy array input: (2, 2, 3)

注意一点，高维数组的形状的顺序不要弄反了。

矩阵乘法

import tensorflow as tf

A = tf.constant([[1, 2, 3],
[4, 5, 6]])
print(A.get_shape())

x = tf.constant([1, 0, 1]) # 这里的x是一维向量
print(x.get_shape())
x = tf.expand_dims(x, 1)   # 转换成二维的单列矩阵
print(x.get_shape())

b = tf.matmul(A, x)

sess = tf.InteractiveSession()
print("matmul result:\n{}".format(b.eval()))
sess.close()

输出：

(2, 3)
(3,)
（3,1）
matmul result:
[[ 4]
[10]]

上述代码说明：在

Tensorflow

中，只有维数相同的数据元素才能进行加减乘除等的运算。InteractiveSession()可以让我们不必使用变量来表示Session，就可以直接计算想要的数值。

命名

每一个张量对象都有一个唯一的标识名。比如：

import tensorflow as tf

with tf.Graph().as_default():
c1 = tf.constant(4, dtype=tf.float64, name='c')
c2 = tf.constant(4, dtype=tf.int32, name='c')
print(c1.name)
print(c2.name) # 自动更新命名

输出：

c:0
c_1:0

命名空间：在图模型非常复杂，且单一的命名会起冲突的时候使用。类比C++的命名空间

import tensorflow as tf

with tf.Graph().as_default():
c1 = tf.constant(4, dtype=tf.float64, name='c')
with tf.name_scope("prefix_name"):  # 建立命名空间
c2 = tf.constant(4, dtype=tf.int32, name='c')
c3 = tf.constant(4, dtype=tf.float64, name='c')

print(c1.name)
print(c2.name)
print(c3.name)

输出：

c:0

prefix_name/c:0

prefix_name/c_1:0

变量， 占位符

张量有两种重要的类型：变量和占位符。

变量：

与变量相区别的是之前代码中的常量，常量的数值不会发生改变。变量的值可以进行更新，并且可以存储到磁盘中，之后还可以从磁盘中读取。

使用变量需要两个步骤：

1. 使用

tf.Variable()

函数创建一个变量，并且定义它的初始化数值

2. 显式地初始化，在一个

Session

中运行

tf.global_variables_initializer()

，为变量分配内存空间和初始化数值 。

这里的变量和C/C++中的概念类似。

import tensorflow as tf

init_var = tf.random_normal((1, 5), 0, 1)
var = tf.Variable(init_var, name='var')
print("pre run:\n{}".format(var))  # 只是声明了，没有占用实际的空间

init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)  # 分配内存空间，初始化数值
post_var = sess.run(var)

print("\npost run:\n{}".format(post_var))

占位符 Placeholder：

占位符主要用于训练模型时获取数据。我们可以认为占位符也是变量的一种，不过它的数据需要在训练的实际过程中进行填充。占位符有一个

shape

参数，该参数如果不填写或者填写

None

的话，这个占位符可以填充任意尺寸的数据。

None

参数在输入矩阵时很常用。

比如

ph = tf.placeholder(tf.float32, shape=(None, 10))

定义的占位符必须进行数据填充，否则会抛出异常。填充输入数据需要使用

Session.run()

方法，内部是一个字典的结构：关键字是占位符的名字，填充数据以python中的

list

形式或者Numpy中的

array

形式。比如：

sess.run(ph, feed_dict={x: X_data, w: w_data})

下面给出一个完整的例子：

import tensorflow as tf
import numpy as np

x_data = np.random.randn(5, 10)
w_data = np.random.randn(10, 1)

with tf.Graph().as_default():
x = tf.placeholder(tf.float32, shape=(5, 10))
w = tf.placeholder(tf.float32, shape=(10, 1))
b = tf.fill((5, 1), -1.)
xw = tf.matmul(x, w)

xwb = xw + b
s = tf.reduce_max(xwb)
with tf.Session() as sess:
outs = sess.run(s, feed_dict={x: x_data, w: w_data})

print("outs = {}".format(outs))

outs

填充数据的时候，是以python中

dict

的格式进行的，要把包含的所有占位符都进行填充。