版权申明：本文为博主窗户(Colin Cai)原创，欢迎转帖。如要转贴，必须注明原文网址 http://www.cnblogs.com/Colin-Cai/p/10741013.html 作者：窗户 QQ/微信：6679072 E-mail：6679072@qq.com
tensorflow是一个很流行的计算框架，目前主要用来做深度学习。但实际上，tensorflow不仅仅可以做深度学习，理论上说任何算法都可以用tensorflow来描述，就在于它做了计算流图这样的抽象，而tensorflow这个名字实际上很自然流。其实提到计算流图，这样的抽象并不是tensorflow首作，计算模型中经常会有图计算，编译器中离开了这玩意玩不转，乃至我们平时的工程涉及到大的规模乃至需要需求模板化的时候，可能都离不开计算流图或者类似这样的模型。所以，其实它对于我们每个人并不是什么新鲜的玩意。
以下代码包括其注释说明了计算流图的建立以及使用，包含了对tensorflow的最基本概念认识。
#先要导入库 import tensorflow as tf #建立session才可以进行图运算 #实际上session只需要在计算前建立即可 #但此处为了方便就先建立了 s = tf.Session()
建立计算图，包含了操作和张量。tensorflow内部带有各种操作，甚至自己也可以用C++来添加新的操作。
以下multipy和reduce_sum都是操作，其实constant也被看成是操作。
#以下是建立计算图，tensorflow建立计算图 #只是定义各个tensor之间的计算关系，并未开始计算 #每个操作都可以带一个名字，操作和张量之间是一对一的关系 #以下是两个常量 a = tf.constant(list(range(1,5)), name="a") b = tf.constant(list(range(11,15)), name="b") #将两个形状一样的张量依次按相同位置相乘 #得到一个形状一样的张量 c = tf.multiply(a, b, name="c") #将张量里所有元素累和 d = tf.reduce_sum(c, name="d")
不要被名字所误导，以上并不产生计算，只是布置流图，或许tf.place(tf.multiply, a, b)这样的名字可能更好一点^_^
在session里使用run方法才会产生真实的计算，run带有两个参数,一个是fetches，表示要计算的张量，一个是feed_dict，表示要临时赋值的张量。
以下s.run(d)其实等同于s.run(fetches=d)
#使用Session的方法run可以根据计算图计算需要的tensor #1*11+2*12+3*13+4*14=130 #输出130 print(s.run(d)) #可以选择一组tensor #输出[array([1, 2, 3, 4], dtype=int32), array([11, 12, 13, 14], dtype=int32), array([11, 24, 39, 56], dtype=int32), 130] print(s.run([a,b,c,d])) #feed_dict可以修改任何想传入的tensor，此处希望修改a的传入 #31*11+32*12+33*13+34*14=1630 #输出1630 print(s.run(d, feed_dict={a:list(range(31,35))})) #feed_dict可以一次修改多个tensor #41*51+42*52+43*53+44*54=8930 #输出8930 print(s.run(d, feed_dict={a:list(range(41,45)), b:list(range(51,55))})) #不是constant一样可以修改传入 #此时计算c不依赖于a和b #1+2+3+4+5=10 #输出10 print(s.run(d, feed_dict={c:list(range(1,5))})) #流图中d依赖于c更短，所以a的传入不影响计算 #输出10 print(s.run(d, feed_dict={a:list(range(11,15)), c:list(range(1,5))}))
实际上，大多情况下，总是会有一些张量要在计算开始指定的，那么这些张量为constant已经失去意义，从而引入placeholder。
#引入placeholder，这样此处不需要constant #以下建立的张量为一阶张量，也就是向量，维度为4 e = tf.placeholder(tf.int32, shape=[4], name="e") f = tf.constant(list(range(1,5)), name="f") g = tf.multiply(e, f, name="g") h = tf.reduce_sum(g, name="h") #h的计算最终依赖于e这个placeholder #而如果依赖的placeholder如果不传值，则不可运算 #以下会产生异常 try: print(s.run(h)) except: print("EROR HERE!") #给placeholder传值 #输出10 print(s.run(h, feed_dict={e:list(range(1,5))})) #a,b,c,d的计算和h的计算是两ge独立的计算连通图 #但依然可以一起计算 #输出[array([1, 2, 3, 4], dtype=int32), array([11, 12, 13, 14], dtype=int32), array([11, 24, 39, 56], dtype=int32), 130, 30] print(s.run([a,b,c,d,h], feed_dict={e:list(range(1,5))}))
一个计算图中可以有多个placeholder
#placeholder可以建立多个 e2 = tf.placeholder(tf.int32, shape=[4], name="e2") f2 = tf.placeholder(tf.int32, shape=[4], name="f2") g2 = tf.multiply(e2, f2, name="g2") h2 = tf.reduce_sum(g2, name="h2") #要计算h2,依赖的两个placeholder必须都传值 #输出30 print(s.run(h2, feed_dict={e2:list(range(1,5)), f2:list(range(1,5))}))
上面placeholder在shape参数中定死了张量的形状，实际上可以不定死维数
#甚至可以只指定placeholder是几阶张量，而不指定维度数 e3 = tf.placeholder(tf.int32, shape=[None], name="e3") f3 = tf.placeholder(tf.int32, shape=[None], name="f3") g3 = tf.multiply(e3, f3, name="g3") h3 = tf.reduce_sum(g3, name="h3") #输出30 print(s.run(h3, feed_dict={e3:list(range(1,5)), f3:list(range(1,5))})) #元组当然没有问题 #输出5 print(s.run(h3, feed_dict={e3:(1,2), f3:(1,2)}))
二阶张量当然也可以，同理三阶、四阶...都是可以得
#一阶张量可以，二阶张量当然没有问题 e4 = tf.placeholder(tf.int32, shape=[None, None], name="e4") f4 = tf.placeholder(tf.int32, shape=[None, None], name="f4") g4 = tf.multiply(e4, f4, name="g4") h4 = tf.reduce_sum(g4, name="h4") #输出30 print(s.run(h4, feed_dict={e4:[[1,2],[3,4]], f4:[[1,2],[3,4]]})) #通过名字也可以找到张量 _e4 = tf.get_default_graph().get_tensor_by_name("e4:0") _f4 = tf.get_default_graph().get_tensor_by_name("f4:0") _g4 = tf.get_default_graph().get_tensor_by_name("g4:0") _h4 = tf.get_default_graph().get_tensor_by_name("h4:0") #输出[array([[ 100, 400],[ 900, 1600]], dtype=int32), 3000] print(s.run([_g4, _h4], feed_dict={_e4:[[10,20],[30,40]], _f4:[[10,20],[30,40]]}))
甚至，placeholder不指定张量阶数也是没有问题的。
x = tf.placeholder(tf.int32) y = tf.reduce_sum(x) #输出10 s.run(y,feed_dict={x:[[1,2],[3,4]]}) #输出36 s.run(y,feed_dict={x:[[[1,2],[3,4]], [[5,6],[7,8]]]})
以上提到的计算图本身不带有记忆，从而可以引入带有记忆的计算图，那就是需要引入变量(variable)概念，也就是可以把一些张量定义为变量。
#引入变量，从而希望在内存中常驻，以便修改 m=tf.Variable(list(range(1,3)), name="m") n=tf.reduce_sum(m, name="n") p=tf.add(m, n, name="p") #把p赋值给变量m q=tf.assign(m, p, name="q") #当使用变量的时候，需要利用这个将变量初始化一下 s.run(tf.global_variables_initializer()) #[1,2]求和为3,[1,2]加3得到[4,5],赋值给m #输出[4 5] print(s.run(q)) #[4,5]求和为9,[4,5]加9得到[13,14],赋值给m #输出[13 14] print(s.run(q))
变量一旦形状确定，是不能进行调整的。
try: #concat是把两个张量拼接，从而张量的维度发生了变化 #而m2作为变量，一开始形状就被确定，assign是不能对形状金勋哥调整的 #从而这里会发生异常 m2=tf.Variable([1,2], expected_shape=[None],dtype=tf.int32) n2=tf.reduce_sum(m2) p2=tf.add(m2,n2) r2=tf.concat([m2,p2],0) q2=tf.assign(m2,r2) s.run(tf.global_variables_initializer()) s.run(q2) except: print("ERROR HERE!")
或许只能用以下方法？
#我能想到的只好用以下方法来实现改变形状 m3=tf.placeholder(tf.int32, shape=[None], name="m3") n3=tf.reduce_sum(m3, name="n3") p3=tf.add(m3, n3, name="p2") r3=tf.concat([m3,p3], 0, name="r3") #输出[1 2 4 5] x=s.run(r3, feed_dict={m3:[1,2]}) print(x) #输出[1 2 4 5 13 14 16 17] x=s.run(r3, feed_dict={m3:x}) print(x)
关于以上变量的维度一旦确定，就无法改变，可能是因为tensorflow一开始就分配好了内存。我就想，如果未来出现那种结构不断调整的AI模型该怎么办，似乎前段时间听说了已经出现了不断在调整尺寸的基于神经网络的AI模型，但不知道是用什么实现的。
