TensorFlow学习笔记（四）—— 入门 —— 基本使用

清疚 2021-09-27 11:18 380阅读 0赞

# 教程地址：[TensorFlow中文社区][TensorFlow] #

# 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. `会话` 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 Python 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 `常量 (Constant)`. 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. 阅读 [Graph 类][Graph] 文档 来了解如何管理多个图.

import tensorflow as tf
    
    # 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点
    # 加到默认图中.
    #
    # 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 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.

欲了解完整的会话 API, 请阅读[Session 类][Session].

# 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. 
    # 上面提到, '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
    # ==> [[ 12.]]
    
    # 任务完成, 关闭会话.
    sess.close()

`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.

阅读[使用GPU][GPU]章节, 了解 TensorFlow GPU 使用的更多信息.

## 交互式使用 ##

文档中的 Python 示例使用一个会话 [`Session`][Session 1] 来 启动图, 并调用 [`Session.run()`][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`][InteractiveSession] 代替 `Session` 类, 使用 [`Tensor.eval()`][Tensor.eval] 和 [`Operation.run()`][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.

# 进入一个交互式 TensorFlow 会话.
    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()
    
    # 增加一个减法 subtract op, 从 'x' 减去 'a'. 运行减法 op, 输出结果 
    sub = tf.subtract(x, a)
    print sub.eval()
    # ==> [-2. -1.]

## 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. 想了解 TensorFlow 是如何处理这些概念的, 参见 [Rank, Shape, 和 Type][Rank_ Shape_ _ Type].

## 变量 ##

[Variables][] for more details. 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. 参见 [变量][Variables] 章节了解更多细节.

# 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 初始化,
    # 首先必须增加一个`初始化` op 到图中.
    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)
    
    # 输出:
    
    # 0
    # 1
    # 2
    # 3

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:

input1 = tf.constant(3.0)
    input2 = tf.constant(2.0)
    input3 = tf.constant(5.0)
    intermed = tf.add(input2, input3)
    mul = tf.mul(input1, intermed)
    
    with tf.Session():
      result = sess.run([mul, intermed])
      print result
    
    # 输出:
    # [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

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.

input1 = tf.placeholder(tf.types.float32)
    input2 = tf.placeholder(tf.types.float32)
    output = tf.mul(input1, input2)
    
    with tf.Session() as sess:
      print sess.run([output], feed_dict={input1:[7.], input2:[2.]})
    
    # 输出:
    # [array([ 14.], dtype=float32)]

for a larger-scale example of feeds. 如果没有正确提供 feed, `placeholder()` 操作将会产生错误. [MNIST 全连通 feed 教程][MNIST _ feed] ([source code][]) 给出了一个更大规模的使用 feed 的例子.

[TensorFlow]: http://www.tensorfly.cn/
[numpy]: http://www.numpy.org/
[Graph]: http://www.tensorfly.cn/tfdoc/api_docs/python/framework.html#Graph
[Session]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#session-management
[GPU]: http://www.tensorfly.cn/tfdoc/how_tos/using_gpu.html
[Session 1]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#Session
[Session.run]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#Session.run
[IPython]: http://ipython.org/
[InteractiveSession]: http://www.tensorfly.cn/tfdoc/api_docs/python/client.html#InteractiveSession
[Tensor.eval]: http://www.tensorfly.cn/tfdoc/api_docs/python/framework.html#Tensor.eval
[Operation.run]: http://www.tensorfly.cn/tfdoc/api_docs/python/framework.html#Operation.run
[Rank_ Shape_ _ Type]: http://www.tensorfly.cn/tfdoc/resources/dims_types.html
[Variables]: http://www.tensorfly.cn/tfdoc/how_tos/variables.html
[MNIST _ feed]: http://www.tensorfly.cn/tfdoc/tutorials/mnist_tf.html
[source code]: https://tensorflow.googlesource.com/tensorflow/+/master/tensorflow/g3doc/tutorials/mnist/fully_connected_feed.py