AI学习---TensorFlow框架介绍[图+会话+张量+变量OP+API]

image

image   

image

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

image

 

  • 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。

image      tensors_flowing

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()

image

 

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()

image

        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()

image

 

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

image

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

imageimage

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

image

代码输出结果:

image

可视化结果:

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

image

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")

image

  • 常见的OP

image

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

image

  • 指令名称

image

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=)  

image

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()

image

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

image

  • 张量的阶

image

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()

image

  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

image

demo:

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

image

  • 创建随机张量

image

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()

image

  • 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

image

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)

  image

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()

image

  • 张量的数学运算

image

可参考官网:(需FQ)

image

image

变量OP的介绍

TensorFlow - 变量很适合于存储模型参数

image

  • 创建变量(需要显示初始化以后才可以完成变量初始化)

image

  • 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

image

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)  # <tf.Variable 'Variable:0' shape=() dtype=int32_ref>
    bb = tf.Variable(initial_value=50)  # <tf.Variable 'Variable_1:0' shape=() dtype=int32_ref>
    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()

image

 

基础API和高级API

  • 基础API

image

image

  • 高级API

image

  • 关于TensorFlow的API图示

image

posted @ 2019-03-10 21:19  小a玖拾柒  阅读(1427)  评论(0编辑  收藏  举报