• 第3章 TensorFlow入門
  • 3.1 TensorFlow計算模型——計算圖
    • 3.1.1 計算圖的概念
    • 3.1.2 計算圖的使用
  • 3.2 TensorFlow數據模型——張量
    • 3.2.1 張量的概念
    • 3.2.2 張量的使用
  • 3.3 TensorFlow運行模型——會話

第3章 TensorFlow入門

3.1 TensorFlow計算模型——計算圖

計算圖是TF框架中最基本的概念，所有的計算都會被轉化為計算圖上的點，下面詳細介紹計算圖。

3.1.1 計算圖的概念

Tensor——張量，可以理解為多維數組；

Flow——流，體現了計算模型，表達了張量之間通過計算相互轉化的過程；

每個計算都會被轉化為計算圖上的一個節點，節點之間的邊描述了計算之間的依賴關系

3.1.2 計算圖的使用

Tensorflow程序會分為兩個階段：

• 第一階段需要定義計算圖中的所有計算

• 第二階段執行計算

函數效果

tf.get_default_graph	獲取當前默認的計算圖
tf.Graph	生成新的計算圖
tf.Graph_device	指定運算設備

計算圖的另一個功能：有效整理TF程序中的資源

通過集合來整合資源：

函數效果

tf.add_to_collection	將資源加入一個或多個集合
tf.get_collection	獲取一個集合中的所有資源

為方便使用，TF也自動管理了一些常用的集合

集合名稱集合內容使用場景

tf.GraphKeys.VARIABLES	所有變量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可學習的變量	模型訓練、生成模型可視化內容
tf.GraphKeys.SUMMARIES	日志生成相關張量	TensorFlow計算可視化
tf.GraphKeys.QUEUE_RUNNERS	處理輸入的QueueRunner	輸入處理
tf.GRaphKeys.MOVING_AVEGAGE_VARIABLES	所有計算了滑動平均值的變量	計算變量的滑動平均值

3.2 TensorFlow數據模型——張量

張量是TF的數據管理形式

3.2.1 張量的概念

在TF程序中，所有的數據都是通過張量的形式來表示的，從功能角度看，張量可以被理解為多維數組，其中零階張量表示標量（scalar），也就是一個數；一階張量表示向量（vector），也就是也一維數組；n階張量可以理解為n維數組。

張量的實現：并不是直接采用數組的形式，而只是對tensorflow中計算結果的引用。

張量保存的是什么：并不是真正的數字，而是保存如何得到這些數字的計算過程。

張量的屬性：名字（name）、維度（shape）、類型（type）

Tensor("MatMul:0", shape=(1, 1), dtype=int32)

• 名字：張量的唯一標識符，且說明了張量是如何計算出來的； node:src_output的形式
  
  • node：節點名稱
  • src_output：當前張量來自第幾個節點的第幾個輸出（MatMul:0表示計算節點“MatMul的第一個結果”）
• 維度：描述了張量的維度信息（shape=(1, 1)表示該張量是二維數組）
• 類型：每個張量會有一個唯一的類型（TF會對所有參與運算的張量進行類型檢查，不匹配會報錯）

3.2.2 張量的使用

• 第一類：對中間結果進行引用，當一個計算包含很多中間結果時，使用張量可以提高代碼可讀性。

a=tf.constant([1.0,2.0],name="a") b=tf.constant([2.0,3.0],name="b") result=a+b

• 第二類：當計算圖構造完成之后，張量可以用來獲得計算結果，也就是得到真實的數字。

雖然張量本身沒有存儲具體數字，但可以通過會話（session）來得到具體數字

3.3 TensorFlow運行模型——會話

會話（session）：執行定義好的運算

會話擁有并管理TensorFlow程序運行時的所有資源，當所有計算完成之后需要關閉會話來回收資源，否則可能出現資源泄露的問題。

會話模式有兩種：

• 第一種模式：需要明確調用會話生成函數和關閉會話函數（當程序異常退出時，關閉會話函數可能不會執行，導致資源泄露）

# 創建一個會話 sess = tf.Session() # 使用這個創建好的會話得到關心的運算結果 sess.run(result) # 關閉會話 sess.close()

• 第二種模式：通過Python上下文管理機制

with tf.Session() as sess:sess.run(result) # 當上下文退出時會話關閉，資源可以被釋放。

會話如何生成：指定默認會話(默認會話不會自動生成)，通過 tf.Tensor.eval 函數計算張量取值。

run和eval的區別：ecal一次只能得到一個節點的值，run可以得到多個節點的值

sess = tf.Session() with sess.as_default():print(result.eval()) [ 4. 6.]

以下代碼實現相同的功能：

sess = tf.Session()# 下面的兩個命令有相同的功能 print(sess.run(result)) print(result.eval(session = sess))

使用tf.InteractiveSession()構建會話：

通過默認會話的方式獲取張量的取值會更加方便，TensorFlow提供了一種在交互式環境下直接構建默認會話的函數，會自動將生成的會話注冊為默認會話。

sess=tf.InteractiveSession() print(result.eval()) sess.close()

使用ConfigProto Protocol Buffer配置需要生成的會話：

config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True) sess1 = tf.InteractiveSession(config=config) sess2 = tf.Session(config=config)

allow_soft_placement=True 在下面的任意一個條件成立，GPU的運算可以放到CPU上進行：
運算無法在GPU上執行；
沒有GPU資源(比如運算被指定在第二個GPU上運行，但是機器只有一個GPU)；
運算輸入包含對CPU計算結果的引用。
log_device_placement=True日志中將會記錄每個節點被安排在了哪個設備上以方便調試。

總結

以上是生活随笔為你收集整理的TensorFlow：实战Google深度学习框架（一）计算、数据、运行模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。