Tensorflow的基本使用

基本使用

使用 TensorFlow, 你必须明白 TensorFlow:

• 使用图 (graph) 来表示计算任务.
• 在被称之为 会话(Session)的上下文 (context) 中执行图.
• 使用 tensor 表示数据.
• 通过变量(Variable)维护状态.
• 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据. 

综述

TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个Tensor , 执行计算, 产生 0 个或多个Tensor . 每个 Tensor 是一个类型化的多维数组. 例 如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是[batch,height,width,channels] .

一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在会话 里被启动. 将图的 op 分发到 诸如 CPU 或 GPU 之类的 设备上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 P ython 语言中, 返回的 tensor 是 numpy ndarray对象; 在 C 和 C++ 语言中, 返回的 tensor 是Tensorflow::Tensor实例. 

计算图

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤 被描述成一个图. 在 执行阶段, 使用会话执行执行图中的 op.

例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.

TensorFlow 支持 C, C++, Python 编程语言. 目前, TensorFlow 的 Python 库更加易用, 它提供了大量的辅助 函数来简化构建图的工作, 这些函数尚未被 C 和 C++ 库支持.

三种语言的会话库 (session libraries) 是一致的. 

构建图

构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 . 源 op 的输出 被传递给其它 op 做运算.

Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它 op 构造器作为输入.

TensorFlow Python 库有一个默认图 (default graph), op 构造器可以为其增加节点. 这个默认图对 许多程序 来说已经足够用了. 

import tensorflow as tf
#创建一个常量op,产生一个1X2的矩阵,这个op被作为一个节点加入到默认图中
#构造器的返回值代表该常量op的返回值
matrix1=tf.constant([[3,3]])
#创建另外一个常量op,产生一个2X1的矩阵
matrix2=tf.constant([[2],[2]])
#创建一个矩阵乘法matmul op ,把matrix1和matrix2作为输入,返回值product代表矩阵乘法的结果
product=tf.matmul(matrix1,matrix2)

默认图现在有三个节点, 两个 constant()op, 和一个matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵 乘法的 结果, 你必须在会话里启动这个图. 

在一个会话中启动图

构造阶段完成后, 才能启动图. 启动图的第一步是创建一个Session对象, 如果无任何创建参数, 会话构造器 将启动默认图. 

#encoding:utf-8
import tensorflow as tf
#创建一个常量op,产生一个1X2的矩阵,这个op被作为一个节点加入到默认图中
#构造器的返回值代表该常量op的返回值
matrix1=tf.constant([[3,3]])
#创建另外一个常量op,产生一个2X1的矩阵
matrix2=tf.constant([[2],[2]])
#创建一个矩阵乘法matmul op ,把matrix1和matrix2作为输入,返回值product代表矩阵乘法的结果
product=tf.matmul(matrix1,matrix2)

#启动默认图
sess=tf.Session()
#调用sess的run()方法来执行矩阵乘法op,传入product作为该方法的参数
#product代表了矩阵乘法op的输出,传入它是向方法表明,我们希望取回矩阵乘法op的输出
#整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
# 返回值 'result' 是一个 numpy `ndarray` 对象.
result=sess.run(product)
print result
sess.close()#任务完成,关闭会话

Session对象在使用完后需要关闭以释放资源. 除了显式调用 close 外, 也可以使用 "with" 代码块 来自动完 成关闭动作. 

with tf.Session() as sess:
  result = sess.run([product])
  print result

在实现上, TensorFlow 将图形定义转换成分布式执行的操作, 以充分利用可用的计算资源(如 CPU 或 GPU). 一 般你不需要显式指定使用 CPU 还是 GPU, TensorFlow 能自动检测. 如果检测到 GPU, TensorFlow 会尽可能地利 用找到的第一个 GPU 来执行操作. 

如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow 使用这些 GPU, 你必须将 op 明确指派给它们执行. with...Device语句用来指派特定的 CPU 或 GPU 执行操作: 

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)
    ...

设备用字符串进行标识. 目前支持的设备包括: 

• "/cpu:0":机器的CPU。
• "/gpu:0":机器的第一个GPU，如果有的话。
• "/gpu:1":机器的第二个GPU，以此类推。

交互式使用

文档中的 Python 示例使用一个会话 Session来 启动图, 并调用Session.run() 方法执行操作.

为了便于使用诸如 IPython 之类的 Python 交互环境, 可以使用 InteractiveSession代替 Session类, 使用 Tensor.eval()和 Operation.run()方法代替 Session.run(). 这样可以避免使用一个变量来持有会话.

import tensorflow as tf
#进入一个交互式Tensorflow会话
sess=tf.InteractiveSession()
x=tf.Variable([1,2])
a=tf.constant([3,3])

#使用初始化器initializer op的run()方法初始化'x'
x.initializer.run()
#增加一个减法sub op,从'x'加上'a',运行减法op,输出结果
sum=tf.add(x,a)
print sum.eval()

Tensor

TensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor. 你可以 把 TensorFlow tensor 看作是一个 n 维的数组或列表. 一个 tensor 包含一个静态类型 rank, 和 一个 shape. 

变量

变量维护图执行过程中的状态信息. 下面的例子演示了如何使用变量实现一个简 单的计数器. 

import tensorflow as tf
#创建一个变量,初始化为标量0
state=tf.Variable(0,name="counter")
#创建一个op,其作用是使state增加1
one=tf.constant(1)
new_value=tf.add(state,one)
update=tf.assign(state,new_value)

#启动图后,变量必须先经过初始化
init_op=tf.initialize_all_variables()
#启动图,运行op
with tf.Session() as sess:
    #运行init_op
    sess.run(init_op)
    #打印state的初始值
    print sess.run(state)
    #运行op,更新state,并打印state
    for _ in range(3):
        sess.run(update)
        print sess.run(state)

代码中 assign()操作是图所描绘的表达式的一部分, 正如 add()操作一样. 所以在调用 run()执行表达式 之前, 它并不会真正执行赋值操作.

通常会将一个统计模型中的参数表示为一组变量. 例如, 你可以将一个神经网络的权重作为某个变量存储在一个 tensor 中. 在训练过程中, 通过重复运行训练图, 更新这个 tensor. 

Fetch

为了取回操作的输出内容, 可以在使用Session对象的run()调用 执行图时, 传入一些 tensor, 这些 tensor 会帮助你取回结果. 在之前的例子里, 我们只取回了单个节点state , 但是你也可以取回多个 tensor: 

import tensorflow as tf
input1=tf.constant(3)
input2=tf.constant(2)
input3=tf.constant(5)
intermed=tf.add(input1,input3)
mul=tf.multiply(input1,intermed)

with tf.Session() as sess:
    result=sess.run([mul,intermed])
    print result

[24, 8]

需要获取的多个 tensor 值，在 op 的一次运行中一起获得(而不是逐个去获取 tensor) 

Feed

上述示例在计算图中引入了 tensor, 以常量或变量的形式存储. TensorFlow 还提供了 feed 机制, 该机制 可以 临时替代图中的任意操作中的 tensor ，可以对图中任何操作提交补丁, 直接插入一个 tensor.

feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为run()调用的参数. feed 只在调用它的方法内有效, 方法结束, feed 就会消失. 最常见的用例是将某些特殊的操作指定为 "feed" 操作, 标记的方法是使用 tf.placeholder() 为这些操作创建占位符.