• TensorFlow 基本使用簡述
  • 一、概念簡述
    • 1、學習目標
    • 2、TensorFlow 概述
    • 3、計算圖
    • 4、構建圖
    • 5、在一個會話中啟動圖
  • 二、讀取數據相關
    • 2.1 交互式使用
    • 2.2 變量
    • 2.3 Fetch (取值)
    • 2.4 Feed (喂數據)

TensorFlow 基本使用簡述

一、概念簡述

1、學習目標

• 使用圖 (graph) 來表示計算任務.
• 在被稱之為 會話 (Session) 的上下文 (context) 中執行圖.
• 使用 tensor 表示數據.
• 通過 變量 (Variable) 維護狀態.
• 使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據.

2、TensorFlow 概述

• TensorFlow 是一個編程系統, 使用圖來表示計算任務. 圖中的節點被稱之為 op (operation 的縮寫). 一個 op 獲得 0 個或多個 Tensor, 執行計算, 產生 0 個或多個 Tensor. 每個 Tensor 是一個類型化的多維數組. 例如, 你可以將一小組圖像集表示為一個四維浮點數數組, 這四個維度分別是 [batch, height, width, channels] .
  
  

• 一個 TensorFlow 圖描述了計算的過程. 為了進行計算, 圖必須在 會話 里被啟動. 會話 將圖的 op 分發到諸如 CPU 或 GPU 之類的 設備 上, 同時提供執行 op 的方法. 這些方法執行后, 將產生的 tensor 返回. 在 Python 語言中, 返回的 tensor 是 numpy ndarray 對象; 在 C 和 C++ 語言中, 返回的 tensor 是 tensorflow::Tensor 實例.

3、計算圖

• TensorFlow 程序通常被組織成一個構建階段和一個執行階段. 在構建階段, op 的執行步驟 被描述成一個圖. 在執行階段, 使用會話執行執行圖中的 op.
  
  

• 例如, 通常在構建階段創建一個圖來表示和訓練神經網絡, 然后在執行階段反復執行圖中的訓練 op.
  
  

• TensorFlow 支持 C, C++, Python 編程語言. 目前, TensorFlow 的 Python 庫更加易用, 它提供了大量的輔助函數來簡化構建圖的工作, 這些函數尚未被 C 和 C++ 庫支持.
  
  

• 三種語言的會話庫 (session libraries) 是一致的.

4、構建圖

• 構建圖的第一步, 是創建源 op (source op). 源 op 不需要任何輸入, 例如 常量 (Constant). 源 op 的輸出被傳遞給其它 op 做運算.
  
  
• Python 庫中, op 構造器的返回值代表被構造出的 op 的輸出, 這些返回值可以傳遞給其它 op 構造器作為輸入.
  
  
• TensorFlow Python 庫有一個默認圖 (default graph), op 構造器可以為其增加節點. 這個默認圖對 許多程序來說已經足夠用了. 閱讀 Graph 類 文檔 來了解如何管理多個圖.
  
  
  例子如下 ：

import tensorflow as tf # 創建一個常量 op, 產生一個 1x2 矩陣. 這個 op 被作為一個節點 # 加到默認圖中 # # 構造器的返回值代表該常量 op 的返回值. matrix1 = tf.constant([[3., 3.]])# 創建另外一個常量 op, 產生一個 2x1 矩陣. matrix2 = tf.constant([[2.],[2.]])# 創建一個矩陣乘法源 matmul op, 把 'matrix1' 和 'matrix2' 作為輸入. # 返回值 'product' 代表矩陣乘法的結果. product = tf.matmul(matrix1,matrix2)

• 默認圖現在有三個節點, 兩個 constant( ) op, 和一個matmul( ) op. 為了真正進行矩陣相乘運算, 并得到矩陣乘法的結果, 你必須在會話(Session)里啟動(run)這個圖。

5、在一個會話中啟動圖

• 構造階段完成后, 才能啟動圖. 啟動圖的第一步是創建一個 Session 對象, 如果無任何創建參數, 會話構造器將啟動默認圖.
  
  
• 欲了解完整的會話 API, 請閱讀TensorFlow 的 Session 類.

# 啟動默認圖 sess = tf.Session()# 調用 sess 的 'run()' 方法來執行矩陣乘法 op, 傳入 'product' 作為該方法的參數. # 上面提到, 'product' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回 # 矩陣乘法 op 的輸出. # # 整個執行過程是自動化的, 會話負責傳遞 op 所需的全部輸入. op 通常是并發執行的. # # 函數調用 'run(product)' 觸發了圖中三個 op (兩個常量 op 和一個矩陣乘法 op) 的執行. # # 返回值 'result' 是一個 numpy `ndarray` 對象. result = sess.run(product) print result # ==> [[12.]] # 任務完成，關閉會話，注意，若 會話是在 with 語句中啟動的話，由于局部變量自動銷毀，可省去這一步 sess.close() [[12.]]

• Session 對象在使用完后需要關閉以釋放資源. 除了顯式調用 close 外, 也可以使用 “with” 代碼塊 來自動完成關閉動作.

with tf.Session() as sess:result = sess.run([product])print result [array([[12.]], dtype=float32)]

• 在實現上, TensorFlow 將圖形定義轉換成分布式執行的操作, 以充分利用可用的計算資源(如 CPU 或 GPU). 一般你不需要顯式指定使用 CPU 還是 GPU, TensorFlow 能自動檢測. 如果檢測到 GPU, TensorFlow 會盡可能地利用找到的第一個 GPU 來執行操作。
  
  
• 如果機器上有超過一個可用的 GPU, 除第一個外的其它 GPU 默認是不參與計算的. 為了讓 TensorFlow 使用這些 GPU, 你必須將 op 明確指派給它們執行.
  
  
• with…Device 語句用來指派特定的 CPU 或 GPU 執行操作:

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)...

設備用字符串進行標識. 目前支持的設備包括:

• “/cpu:0”: 機器的 CPU.
• “/gpu:0”: 機器的第一個 GPU, 如果有的話.
• “/gpu:1”: 機器的第二個 GPU, 以此類推.
• 閱讀使用GPU章節, 了解 TensorFlow GPU 使用的更多信息.

二、讀取數據相關

2.1 交互式使用

• 文檔中的 Python 示例使用一個會話 Session 來 啟動圖, 并調用 Session.run() 方法執行操作.
  
  
• 為了便于使用諸如 IPython 或者 Jupyter 之類的 Python 交互環境, 可以使用 InteractiveSession 代替 Session 類, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run(). 這樣可以避免使用一個變量來持有會話.

# 進入一個交互式 TensorFlow 會話 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()# 增加一個減法 sub op, 從 ‘x' 減去 ’a'. 運行減法 op, 輸出結果 sub = tf.subtract(x,a) print sub.eval() # ==> [-2, -1.] [-2. -1.]

2.2 變量

• Variables for more details. 變量維護圖執行過程中的狀態信息. 下面的例子演示了如何使用變量實現一個簡單的計數器. 參見 TensorFlow變量 章節了解更多細節.

# 創建一個變量，初始化為標量 0. state = tf.Variable(0,name='counter')# 創建一個 op, 其作用是使 state 增加 1one = tf.constant(1) new_value = tf.add(state, one) # 通過 tf.assign 函數將變量的 state 的值賦值為 new_value,并且返回一個 op update = tf.assign(state, new_value)# 啟動圖后，變量必須先經過 ‘初始化’ (int) op 初始化 # 首先必須增加一個 ’初始化‘ op 到圖中。 init_op = tf.global_variables_initializer()# 啟動圖，運行 op with tf.Session() as sess:# 運行 ’init' op sess.run(init_op)# 打印 ‘state' 的初始值print sess.run(state)# 運行 op, 更新 ‘state', 并刷新(重新) 打印 ’state' 的新值for _ in range(3):sess.run(update)print sess.run(state) # 輸出： # 雖然貌似一個簡單的需求，實現起來略繁瑣，但應用到大數據量的需求時，便很適用 0 1 2 3

• 代碼中 assign() 操作是圖所描繪的表達式的一部分, 正如 add() 操作一樣. 所以在調用 run() 執行表達式之前, 它并不會真正執行賦值操作.
  
  
• 通常會將一個統計模型中的參數表示為一組變量. 例如, 你可以將一個神經網絡的權重作為某個變量存儲在一個 tensor 中. 在訓練過程中, 通過重復運行訓練圖, 更新這個 tensor.

2.3 Fetch (取值)

• 為了取回操作的輸出內容, 可以在使用 Session 對象的 run() 調用 執行圖時, 傳入一些 tensor, 這些 tensor 會幫助你取回結果. 在之前的例子里, 我們只取回了單個節點 state, 但是你也可以取回多個 tensor:

input1 = tf.constant(3.0) input2 = tf.constant(2.0) input3 = tf.constant(5.0) itermad = tf.add(input2,input3) mul = tf.multiply(input1,itermad)with tf. Session() as sess:# 通過傳入 一個 op 的 list【，，，】給 run 取得多個 tensorresult = sess.run([mul,itermad])print result# 一般，我們需要獲取的多個 tensor 值，在 op 的一次運行中一起獲得# （而不是逐個去獲取 tensor）。# 輸出： [21.0, 7.0]

2.4 Feed (喂數據)

• 上述示例在計算圖中引入了 tensor, 以常量或變量的形式存儲. TensorFlow 還提供了 feed 機制, 該機制 可以臨時替代圖中的任意操作中的 tensor 可以對圖中任何操作提交補丁, 直接插入一個 tensor.
  
  
• feed 使用一個 tensor 值臨時替換一個操作的輸出結果. 你可以提供 feed 數據作為 run() 調用的參數. feed 只在調用它的方法內有效, 方法結束, feed 就會消失. 最常見的用例是將某些特殊的操作指定為 “feed” 操作, 標記的方法是使用 tf.placeholder() 為這些操作創建占位符.

input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) output = tf.multiply(input1,input2)with tf.Session() as sess:print sess.run([output],feed_dict={input1: [7.], input2: [2.]})# 輸出： # for a larger-scale example of feeds. # 如果沒有正確提供 feed, placeholder() 操作將會產生錯誤. [array([14.], dtype=float32)]

總結

以上是生活随笔為你收集整理的TensorFlow 之快速上手详解的全部內容，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。