Tensorflow一些常用基本概念与函数（3）

你的名字 2022-06-11 07:17 149阅读 0赞

> 转载自：[http://blog.csdn.net/lenbow/article/details/52213105][http_blog.csdn.net_lenbow_article_details_52213105]

摘要：本系列主要对tf的一些常用概念与方法进行描述。本文主要针对tensorflow的数据IO、图的运行等相关函数进行讲解。为‘Tensorflow一些常用基本概念与函数’系列之三。

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

## 1、序言 ##

本文所讲的内容主要为以下相关函数：

<table> 
 <thead> 
  <tr> 
   <th>操作组</th> 
   <th>操作</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Data IO (Python functions)</td> 
   <td>TFRecordWrite，rtf_record_iterator</td> 
  </tr> 
  <tr> 
   <td>Running Graphs</td> 
   <td>Session management，Error classes</td> 
  </tr> 
 </tbody> 
</table>

## 2、tf函数 ##

### 2.1 数据IO \{Data IO (Python functions)\} ###

一个TFRecords 文件为一个字符串序列。这种格式并非随机获取，它比较适合大规模的数据流，而不太适合需要快速分区或其他非序列获取方式。

**数据IO \{Data IO (Python functions)\}**

<table> 
 <thead> 
  <tr> 
   <th>操作组</th> 
   <th>操作</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>class tf.python_io.TFRecordWriter</td> 
   <td>一个用于将记录(records)写入TFRecords文件的类</td> 
  </tr> 
  <tr> 
   <td>tf.python_io.TFRecordWriter.<strong>init</strong>(path, options=None)</td> 
   <td>打开文件路径，并创建一个TFRecordWriter以供写入</td> 
  </tr> 
  <tr> 
   <td>tf.python_io.TFRecordWriter.write(record)</td> 
   <td>将一个字符串records写入文件中</td> 
  </tr> 
  <tr> 
   <td>tf.python_io.TFRecordWriter.close()</td> 
   <td>关闭文件</td> 
  </tr> 
  <tr> 
   <td>tf.python_io.tf_record_iterator(path, options=None)</td> 
   <td>从TFRecords文件中读取记录的迭代器</td> 
  </tr> 
 </tbody> 
</table>

### 2.2 运行图(Running Graphs) ###

**会话管理 (Session management)**

<table> 
 <thead> 
  <tr> 
   <th>操作组</th> 
   <th>操作</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>class tf.Session</td> 
   <td>运行TF操作的类,一个Session对象将操作节点op封装在一定的环境内运行，同时tensor对象将被计算求值</td> 
  </tr> 
  <tr> 
   <td>tf.Session.<strong>init</strong>(target=”, graph=None, config=None)</td> 
   <td>创建一个新的会话</td> 
  </tr> 
  <tr> 
   <td>tf.Session.run(fetches, feed_dict=None,options=None, run_metadata=None)</td> 
   <td>运行fetches中的操作节点并求其值</td> 
  </tr> 
  <tr> 
   <td>tf.Session.close()</td> 
   <td>关闭会话</td> 
  </tr> 
  <tr> 
   <td>tf.Session.graph</td> 
   <td>返回加载值该会话的图(graph)</td> 
  </tr> 
  <tr> 
   <td>tf.Session.as_default()</td> 
   <td>设置该对象为默认会话，并返回一个上下文管理器</td> 
  </tr> 
  <tr> 
   <td>tf.Session.reset(target, containers=None, config=None)</td> 
   <td>重设target的资源容器，并关闭所有连接的会话<br>在0.10版本该功能仅应用在分布会话中<br>target:为执行引擎所连接的目标，其包含有资源容器，该资源容器分布在同一个集群的所有works上</td> 
  </tr> 
  <tr> 
   <td>class tf.InteractiveSession</td> 
   <td>使用在交互式上下文环境的tf会话，比如shell，ipython</td> 
  </tr> 
  <tr> 
   <td>tf.InteractiveSession.close()</td> 
   <td>关闭一个InteractiveSession</td> 
  </tr> 
  <tr> 
   <td>tf.get_default_session()</td> 
   <td>返回当前线程的默认会话</td> 
  </tr> 
 </tbody> 
</table>

**tf.Session**

#一个简单的tf.Session例子
    # 建立一个graph.
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    c = a * b
    
    # 将graph载入到一个会话session中
    sess = tf.Session()
    
    # 计算tensor `c`.
    print(sess.run(c))

#一个会话可能会占用一些资源，比如变量、队列和读取器(reader)。释放这些不再使用的资源非常重要。
    #使用close()方法关闭会话，或者使用上下文管理器，释放资源。
    # 使用`close()`方法.
    sess = tf.Session()
    sess.run(...)
    sess.close()
    
    # 使用上下文管理器
    with tf.Session() as sess:
      sess.run(...)

tf.Session()的变量设置， ConfigProto protocol buffer为会话提供了不同的配置选项。比如，创建一个会话，对设备布局使用软约束条件，以及对分布

# Launch the graph in a session that allows soft device placement and
    # logs the placement decisions.
    sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                            log_device_placement=True))

**tf.Session.run**

a = tf.constant([10, 20])
       b = tf.constant([1.0, 2.0])
       # 'fetches' 可以为单个数
       v = session.run(a)
       # v is the numpy array [10, 20]
       # 'fetches' 可以为一个list.
       v = session.run([a, b])
       # v a Python list with 2 numpy arrays: the numpy array [10, 20] and the
       # 1-D array [1.0, 2.0]
       # 'fetches' 可以是 lists, tuples, namedtuple, dicts中的任意:
       MyData = collections.namedtuple('MyData', ['a', 'b'])
       v = session.run({
       'k1': MyData(a, b), 'k2': [b, a]})
       # v 为一个dict，并有
       # v['k1'] is a MyData namedtuple with 'a' the numpy array [10, 20] and
       # 'b' the numpy array [1.0, 2.0]
       # v['k2'] is a list with the numpy array [1.0, 2.0] and the numpy array
       # [10, 20].

**tf.Session.as\_default()**

使用关键字with指定会话， 可以在会话中执行Operation.run()或Tensor.eval()，以得到运行的tensor结果

c = tf.constant(..)
    sess = tf.Session()
    
    with sess.as_default():
      assert tf.get_default_session() is sess
      print(c.eval())

使用函数tf.get\_default\_session()来得到当前默认的会话  
需要注意的是，退出该as\_default上下文管理器时，并没有关闭该会话(session )，必须明确的关闭会话

c = tf.constant(...)
    sess = tf.Session()
    with sess.as_default():
      print(c.eval())
    # ...
    with sess.as_default():
      print(c.eval())
    #关闭会话
    sess.close()
    #使用 with tf.Session()方式可以创建并自动关闭会话

**tf.InteractiveSession**

sess = tf.InteractiveSession()
    a = tf.constant(5.0)
    b = tf.constant(6.0)
    c = a * b
    # 我们直接使用'c.eval()' 而没有通过'sess'
    print(c.eval())
    sess.close()

以上的例子，在非交互会话的版本中为，

a = tf.constant(5.0)
    b = tf.constant(6.0)
    c = a * b
    with tf.Session():
      # We can also use 'c.eval()' here.
      print(c.eval())

### ABC ###

**错误类 (Error classes)**

<table> 
 <thead> 
  <tr> 
   <th>操作组</th> 
   <th>操作</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>class tf.OpError</td> 
   <td>一个基本的错误类型，在当TF执行失败时候报错</td> 
  </tr> 
  <tr> 
   <td>tf.OpError.op</td> 
   <td>返回执行失败的操作节点，有的操作如Send或Recv可能不会返回，那就要用用到node_def方法</td> 
  </tr> 
  <tr> 
   <td>tf.OpError.node_def</td> 
   <td>以NodeDef proto形式表示失败的op</td> 
  </tr> 
  <tr> 
   <td>tf.OpError.error_code</td> 
   <td>描述该错误的整数错误代码</td> 
  </tr> 
  <tr> 
   <td>tf.OpError.message</td> 
   <td>返回错误信息</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.CancelledError</td> 
   <td>当操作或者阶段呗取消时候报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.UnknownError</td> 
   <td>未知错误类型</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.InvalidArgumentError</td> 
   <td>在接收到非法参数时候报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.NotFoundError</td> 
   <td>当发现不存在所请求的一个实体时候，比如文件或目录</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.AlreadyExistsError</td> 
   <td>当创建的实体已经存在的时候报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.PermissionDeniedError</td> 
   <td>没有执行权限做某操作的时候报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.ResourceExhaustedError</td> 
   <td>资源耗尽时报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.FailedPreconditionError</td> 
   <td>系统没有条件执行某个行为时候报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.AbortedError</td> 
   <td>操作中止时报错，常常发生在并发情形</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.OutOfRangeError</td> 
   <td>超出范围报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.UnimplementedError</td> 
   <td>某个操作没有执行时报错</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.InternalError</td> 
   <td>当系统经历了一个内部错误时报出</td> 
  </tr> 
  <tr> 
   <td>class tf.errors.DataLossError</td> 
   <td>当出现不可恢复的错误<br>例如在运行 tf.WholeFileReader.read()读取整个文件的同时文件被删减</td> 
  </tr> 
  <tr> 
   <td>tf.errors.XXXXX.<strong>init</strong>(node_def, op, message)</td> 
   <td>使用该形式方法创建以上各种错误类</td> 
  </tr> 
 </tbody> 
</table>

[http_blog.csdn.net_lenbow_article_details_52213105]: http://blog.csdn.net/lenbow/article/details/52213105