AI学习—TensorFlow框架介绍[图+会话+张量+变量OP+API]

TensorFlow的数据流图

• TensorFlow的结构分析： 图 + 会话

     TensorFlow = 构图阶段(数据与操作的执行步骤被描绘出一个图) + 执行图阶段(使用回话执行构建好的图中操作)

        1. 一个构建图阶段
              流程图：定义数据（张量Tensor）和操作（节点Operate）
        2. 一个执行图阶段
              调用各方资源，将定义好的数据和操作运行起来

• 数据流图介绍

      数据流图【Data Flow Graph】用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

简单计算的Demo:用于区别py和TF的区别：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 取消TF对我们的一些提示
def tensorflow_demo():
"""
TensorFlow的基本结构
:return:
"""
# 原生python加法运算
a = 2
b = 3
c = a + b
print("普通加法运算的结果：\n", c)
# TensorFlow实现加法运算，可以理解为我们定义了一个图
a_t = tf.constant(2) # 这里是我们的张量
b_t = tf.constant(3) # 这里是我们的张量
c_t = a_t + b_t # 定义了节点
print("TensorFlow加法运算的结果：\n", c_t)
# TF必须先开启会话，可以理解回话调用CPU资源进行计算
with tf.Session() as sess:
c_t_value = sess.run(c_t)
print("c_t_value:\n", c_t_value)
return None
if __name__ == "__main__":
tensorflow_demo()

问题定位：

    解决ImportError: numpy.core.multiarray failed to import

问题解决：

    pip install -U numpy

图与TensorBoard

    图包含了一组tf.Operation代表的计算单元对象和tf.Tensor代表的计算单元直接流动的数据。

• 图的相关操作(默认图 + 自定义图)
      1 默认图
          查看默认图的方法
              1）调用方法
                  用tf.get_default_graph()
              2）查看属性
                  with tf.Session() as sess:
                        tt = sess.graph

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 取消TF对我们的一些提示
def graph_demo():
a_t = tf.constant(2)
b_t = tf.constant(3)
c_t = tf.add(a_t, b_t)
print("TensorFlow加法运算的结果：\n", c_t)
'''
查看默认图：
1. 调用get_default_graph()
2. session.graph
'''
# 方法1-1：调用默认方法
default_g = tf.get_default_graph()
print('调用get_default_graph: \n', default_g)
# 方法2-1：查看张量属性
print("a_t的图属性：\n", a_t.graph)
print("c_t的图属性：\n", c_t.graph)
# 方法2-2：查看回话属性
with tf.Session() as sess:
session_g = sess.graph
print("回话属性：", session_g)
new_c_t = sess.run(c_t)
print("TensorFlow回话的的结果c_t_value:\n", new_c_t)
if __name__ == "__main__":
graph_demo()

        2 创建图
             new_g = tf.Graph()  # 自定义一个图
             with new_g.as_default():
                   定义数据和操作

             with tf.Session(graph=new_g) as sess:    # 如果不添加graph=new_g，默认调用默认的图，而不是我们自定义的图

                    sess.run(XXX)

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 取消TF对我们的一些提示
def graph_demo():
# 第一步：自定义图
new_g = tf.Graph()
# 第二步：在自己的图中定义数据和操作
with new_g.as_default():
a_new = tf.constant(20)
b_new = tf.constant(30)
c_new = a_new + b_new
print("a_new:\n", a_new)
print("b_new:\n", b_new)
print("c_new:\n", c_new)
print("a_new的图属性：\n", a_new.graph)
print("c_new的图属性：\n", c_new.graph)
# 开启new_g的会话，即开启了一个上下文管理器
with tf.Session(graph=new_g) as new_sess:
c_new_value = new_sess.run((c_new))
print("c_new_value:\n", c_new_value)
print("new_sess的图属性：\n", new_sess.graph)
return None
if __name__ == "__main__":
graph_demo()

TF有一个亮点就是我们自己写的程序可以进行可视化，这个就是TensorBoard。

Tensorboard的介绍

TensorBoard:可视化学习： 数字序列化 + 启动Tensorboard
    1 数据序列化(即events文件)  (因为图也是一个对象，不能以编码的形式写在本地，需要序列化，序列化后的文件叫做events)
        tf.summary.FileWriter(path, graph=sess.graph)
    2 tensorboard

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 取消TF对我们的一些提示
def graph_demo():
"""
自定义图的演示 + Tensorboard可视化
:return:
"""
# 自定义图
new_g = tf.Graph()
# 在自己的图中定义数据和操作
with new_g.as_default():
a_new = tf.constant(20)
b_new = tf.constant(30)
c_new = a_new + b_new
print("a_new:\n", a_new)
print("b_new:\n", b_new)
print("c_new:\n", c_new)
print("a_new的图属性：\n", a_new.graph)
print("c_new的图属性：\n", c_new.graph)
# 开启new_g的会话
with tf.Session(graph=new_g) as new_sess:
c_new_value = new_sess.run((c_new))
print("c_new_value:\n", c_new_value)
print("new_sess的图属性：\n", new_sess.graph)
# 1）将图写入本地生成events文件
tf.summary.FileWriter("./summary", graph=new_sess.graph)
return None
if __name__ == "__main__":
graph_demo()

2） 可视化：

      如果没有添加环境变量，就需要进入的Tensorboard的安装目录下进行终端操作

代码输出结果：

可视化结果：

http://ftl2018:6006/#graphs&run=.   火狐浏览器打开

下面我们讲究OP对象

Operation的介绍

    一个图我们包含数据(Tensor对象) + 操作(Operation对象)

       1 常见OP(操作函数和操作对象联系与区别)
                      操作函数                          &                           操作对象
           tf.constant(Tensor对象)                 |   输入Tensor对象 –> Const对象 –> 输出 Tensor对象
           tf.add(Tensor对象1, Tensor对象2)    |   输入Tensor对象1, Tensor对象2 - Add对象 - 输出 Tensor对象3

        说明：

假设我们定义了a_new = tf.constant(20)；

这里我们定义的数字20也是一个Tensor对象，数字20传递给了tf.constant()函数(即操作函数)，然后生成一个Const对象(即操作对象，这里只是一个数字定义，如果进行add()求和，则是Add对象), 到最后我们拿到的也是一个Tensor对象。

       2 指令名称
          同一张图，有且只有一个命名唯一空间，默认是递增，Const_0,Const_1，当然我们也可以自定义名称

a_t = tf.constant(2) # 默认的name都是Const
b_t = tf.constant(3, name="a_t")

• 常见的OP

我们打印出来的实际上都是数值(张量值，且OP指令都唯一)。下图是sum_c: 就是由add这个操作产生的

• 指令名称

会话

会话（Session+InteractiveSession）
    1、tf.Session：用于完整的程序当中
    2、tf.InteractiveSession：用于交互式上下文中的TensorFlow ，例如shell，我们打开一个回话，可以利用a.eval()进行快速取值
            3 feed操作
        a = tf.placeholder(tf.float32, shape=)
        b = tf.placeholder(tf.float32, shape=)  

会话的关键API说明

•   关于初始化__init__()函数：

        1）会话掌握资源，用完要回收 - 上下文管理器

with tf.Session(graph=new_g) as new_sess:

        2）初始化会话对象时的参数

def __init__(self, target='', graph=None, cOnfig=None):

            graph=None，默认运行我们的默认图
            target：如果将此参数留空（默认设置), 会话将仅使用本地计算机中的设备。
                       可以指定 grpc:// 网址，以便指定远程TensorFlow 服务器的地址，
                       这使得会话可以访问该服务器控制的计算机上的所有设备。
            config：此参数允许您指定一个 tf.ConfigProto以便控制会话的行为。例如，ConfigProto协议用于打印设备使用信息

        3)run(fetches,feed_dict=None)

def run(self, fetches, feed_dict=None, optiOns=None, run_metadata=None):

              fetches:单一的operation,或者列表、元组(不属于TensorFlow的不行)

              feed_ditc: 允许调用者覆盖图中张量的值，运行时赋值

                      --》一般与 a = tf.placeholder(tf.float32, shape=)(提供占位符)搭配使用，则会检查值的形状是否与占位符兼容
 

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def session_demo():
"""
会话的演示
:return:
"""
info1 = '''
============fetches参数传================
'''
print(info1)
# TensorFlow实现加法运算
a_t = tf.constant(2, name="a_t")
b_t = tf.constant(3, name="a_t")
c_t = tf.add(a_t, b_t, name="c_t")
print("a_t:\n", a_t)
print("b_t:\n", b_t)
print("c_t:\n", c_t)
# print("c_t.eval():\n", c_t.eval())
# 开启会话
with tf.Session(cOnfig=tf.ConfigProto(allow_soft_placement=True,
log_device_placement=True)) as sess:
'''
# fetches参数传递多个值demo:
1. abc = sess.run(fetches=[a_t, b_t, c_t]) 返回的值也是一个列表格式
2. a, b, c sess.run([a_t, b_t, c_t]) 用a,b,c分别接受列表的值
'''
# fetches参数传递单一demo:
c_new_value = sess.run(c_t)
print('session.run()执行结果：\n', c_new_value)
print("c_t_value:\n", c_t.eval())
print("sess的图属性：\n", sess.graph)
info = '''
============feed的Demo================
'''
print(info)
# 定义占位符
a_ph = tf.placeholder(tf.float32) # 这里占位的个浮点型，所以下面传递一个浮点型数据
b_ph = tf.placeholder(tf.float32)
c_ph = tf.add(a_ph, b_ph)
print("a_ph:\n", a_ph)
print("b_ph:\n", b_ph)
print("c_ph:\n", c_ph)
# 开启会话
with tf.Session(cOnfig=tf.ConfigProto(allow_soft_placement=True,
log_device_placement=True)) as session:
c_ph_value = session.run(c_ph, feed_dict={a_ph: 3.9, b_ph: 4.8})
print("占位符：c_ph_value:\n", c_ph_value)
if __name__ == "__main__":
session_demo()

张量的介绍

  TensorFlow的张量就是一个n维数组，类型为tf.Tensor。类似于我们见过的ndarray.

           --> 2个重要的属性（type + shape）

                  1. 数据类型(type)

                  2. 形状(阶)shape
计算机中各个变量的存储情况：

        标量 一个数字                   0阶张量
        向量 一维数组 [2, 3, 4]       1阶张量
        矩阵 二维数组 [[2, 3, 4],     2阶张量
                    [2, 3, 4]]
        ……
        张量 n维数组                      n阶张量

• 张量的类型

• 张量的阶

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def tensor_demo():
'''
张量的demo
:return:
'''

'''
创建张量的时候，如果不指定类型
默 认 tf.float32
整 型 tf.int32
浮点型 tf.float32
'''
tensor1 = tf.constant(4.0) # 显示空的元组()，没有指定数组类型
tensor2 = tf.constant([1, 2, 3, 4]) # 显示一个一位数组，表示成（4，）
linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32) # 显示一个二维数组，表示成(4,1),4行一列
print("tensor1:\n", tensor1) # Tensor("Const:0", shape=(), dtype=float32)
print("tensor2:\n", tensor2) # Tensor("Const_1:0", shape=(4,), dtype=int32)
print("linear_squares_before:\n", linear_squares) # Tensor("Const_2:0", shape=(4, 1), dtype=int32)
if __name__ == "__main__":
tensor_demo()

  创建张量的指令

       张量的指令 = 固定值张量 + 随机张量

• 创建固定的张量

demo:

import tensorflow as tf
tf.zeros(shape=[3,4]).eval()
tf.ones(shape=[3,4]).eval()

• 创建随机张量

import tensorflow as tf
# 创建3行4列的数组，均值为1.75，标准差为2
tf.random_normal(shape=[3,4], mean=1.75, stddev=2)
# # 创建3行4列的数组，均值为1.75，标准差为2，通过eval()查看具体的值
tf.random_normal(shape=[3,4], mean=1.75, stddev=2).eval()

• 张量的修改(类型+形状)与运算

复习ndarray属性的修改
    类型的修改
        1）ndarray.astype(type)
        2）ndarray转换为编码格式：ndarray.tostring()
    形状的修改
        1）ndarray.reshape(shape)
             自动计算形状：ndarray.reshape(-1)
        2）ndarray.resize(shape)
        说明：reshape会返回一个新的数组，resize会就地修改

1、类型改变

tf.cast(tensor, dtype)
    不会改变原始的tensor
    返回新的改变类型后的tensor

2、形状改变(静态形状+动态形状)

    静态形状 - 初始创建张量时的形状
        1）如何改变静态形状
            tensor.set_shape(shape)
                问：什么情况下才可以改变/更新静态形状？
                答：只有在形状没有完全固定下来(也就是？的部分)的情况下
           
        2）如何改变动态形状
            tf.reshape(tensor, shape)
            不会改变原始的tensor
            返回新的改变形状后的tensor
            动态创建新张量时，张量的元素个数必须匹配(可跨阶，但是数量必须一致)

demo:

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def tensor_demo():
'''
张量类型修改
:return:
'''
'''
创建张量的时候，如果不指定类型
默 认 tf.float32
整 型 tf.int32
浮点型 tf.float32
'''
tensor1 = tf.constant(4.0) # 显示空的元组()，没有指定数组类型
tensor2 = tf.constant([1, 2, 3, 4]) # 显示一个一维有4个元素的数组，表示成（4，）
linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32) # 显示一个二维数组，表示成(4,1),4行一列
print("tensor1:\n", tensor1) # Tensor("Const:0", shape=(), dtype=float32)
print("tensor2:\n", tensor2) # Tensor("Const_1:0", shape=(4,), dtype=int32)
print("linear_squares_before:\n", linear_squares) # Tensor("Const_2:0", shape=(4, 1), dtype=int32)
'''
张量类型的修改:
不会改变原始的tensor
返回新的改变类型后的tensor
'''
l_cast = tf.cast(linear_squares, dtype=tf.float32)
print("linear_squares_after:\n", linear_squares)
print("l_cast:\n", l_cast)
'''
张量形状的改变：
# 更新/改变静态形状
# 定义占位符
'''
# a_p，b_p是没有完全固定下来的静态形状，但是形状以及是二维了，只能传递2维的数组
a_p = tf.placeholder(dtype=tf.float32, shape=[None, None]) # a_PTensor("Placeholder:0", shape=(?, ?), dtype=float32)
b_p = tf.placeholder(dtype=tf.float32, shape=[None, 10]) # b_p维度是2维，但是有10列已经确定了，不能更改
# c_p是2维且形状以及固定，不能随便更改
c_p = tf.placeholder(dtype=tf.float32, shape=[3, 2]) #
print("a_p:\n", a_p)
print("b_p:\n", b_p)
print("c_p:\n", c_p)
# 更新形状未确定的部分
# a_p.set_shape([2, 3]) # a_p.set_shape([2, 3， 3])报错，二维不兼容三维
# b_p.set_shape([2, 10])
# c_p.set_shape([3, 2]) # 单行执行会报错，both shapes must be equal,
'''
张量形状的改变：
# 动态形状修改，如果确定了元素数量，则可以修改元素的阶，但是不能修改总量
例如：
shape=[2,3] ==> shape=[2,3,1] # 正确，元素数量未变化
shape=[2,3] ==> shape=[3,2] # 正确，元素数量未变化
shape=[2,3] ==> shape=[3,3] # 错误，元素数量变化了，改变后是9个
'''
a_p_reshape = tf.reshape(a_p, shape=[2, 3, 1])
print("a_p:\n", a_p)
# print("b_p:\n", b_p)
print("a_p_reshape:\n", a_p_reshape)
c_p_reshape = tf.reshape(c_p, shape=[2, 3])
print("c_p:\n", c_p)
print("c_p_reshape:\n", c_p_reshape)
if __name__ == "__main__":
tensor_demo()

• 张量的数学运算

可参考官网：（需FQ）

变量OP的介绍

TensorFlow - 变量很适合于存储模型参数

• 创建变量（需要显示初始化以后才可以完成变量初始化）

• 使用tf.variable_scope()修改变量的命名空间

   添加命名空间后，使得结构更加清晰

demo:

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
def variable_demo():
"""
变量的演示
:return:
"""
'''
# 创建变量：没有开启会话之前的demo:
'''
aa = tf.Variable(initial_value=50) #
bb = tf.Variable(initial_value=50) #
cc = tf.add(aa, bb) # Tensor("Add:0", shape=(), dtype=int32)
print("aa:\n", aa)
print("bb:\n", bb)
print("cc:\n", cc)
'''
# 创建变量: 开启会话的demo:
'''
with tf.variable_scope("my_scope"):
a = tf.Variable(initial_value=50)
b = tf.Variable(initial_value=40)
with tf.variable_scope("your_scope"): # 修改变量的命名空间
c = tf.add(a, b)
print("a:\n", a)
print("b:\n", b)
print("c:\n", c)
# 初始化变量
# a = tf.Variable(initial_value=50)这正是一个初始化的值，而并非变量的初始化
init = tf.global_variables_initializer()
# 开启会话
with tf.Session() as sess:
# 给全局的变量做了初始化
sess.run(init)
a_value, b_value, c_value = sess.run([a, b, c])
print("a_value:\n", a_value)
print("b_value:\n", b_value)
print("c_value:\n", c_value)
return None
if __name__ == "__main__":
variable_demo()

基础API和高级API

• 基础API

• 高级API

• 关于TensorFlow的API图示

作者：小a玖拾柒

出处：http://www.cnblogs.com/ftl1012/

-------------------------------------------

个性签名: 所有的事情到最後都是好的，如果不好，那說明事情還沒有到最後～

本文版权归作者【小a玖拾柒】和【博客园】共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利！