tensorflow 条件判断 tensorflow用法

转载

小鱼儿 2024-02-23 22:37:06

文章标签 tensorflow 条件判断深度学习 deep learning tensorflow 初始化 文章分类 机器学习人工智能

基本用法

使用图(graph)表示计算任务，描述了计算过程
会话(Session)用于执行图，即执行计算任务，
使用tensor表示数据
变量(variable) 维护状态
通过 feed 和 fetch 可以为任何的操作(arbitrary operation) 赋值或者从中获取数据

综述

图中的节点，即operation操作，称为op
一个op获得0或多个数据输入，即tensor，执行计算，产生0或多个tensor输出
每个tensor是一个类型化的多维数组。
graph必须在session中启动，session将op分发给诸如cpu或gpu之类的设备上，同时提供执行op的方法

计算图

Tensorflow程序通常分为：构建阶段和执行阶段。
构建阶段：把op的执行步骤描述成一个图
执行阶段：使用会话执行图中的op

构建图

第一步，创建源op(source op)，source op 不需要任何输入，如常量，source op的输出被传递给其他的op做运算
tensorflow python库中有一个默认的图default graph，op构造器可以为其增加节点

import tensorflow as tf
#创建一个常量op，产生一个1*2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
matrx1 = tf.constant([[3., 3.]])
#创建另一个常量op，产生一个2*1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表示乘法结果
product = tf.matmul(matrix1, matrix2)
#上面创建了矩阵运算的图，但是需要在session中启动这个图才能得到结果

在一个会话中启动图

启动图的第一步是创建一个session对象，如果无任何参数，会话构造器将启动默认图。

#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表示矩阵乘法op的输出，传入作为参数是向方法表示，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
#函数调用run(product) 触发了图的三个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（python中tensor是numpy ndarray对象，c和c++中，tensor是tensorflow::tensor实例）
result = sess.run(product)print result
#==>[[12.]]

#任务完成，关闭会话
sess.close()

Session对象在使用完需要关闭以释放资源。除了显示调用close外，也可以用with代码块赖自动完成关闭动作

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

tensorflow不需要显示指定使用cpu还是gpu，tensorflow可以自动检测，有gpu则尽可能利用第一个gpu来执行操作。
如果机器上有超过一个可用的gpu，除了第一个外的其他gpu是不参与计算。为了让Tensorflow使用这些gpu，必须就爱你op明确指派给他们执行。使用with device语句指派特定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)
        ...

device用字符串进行标示，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

为了方便使用诸如IPython之类的python交互环境，可以使用InteractiveSession替代Session类，使用tensor.eval（)和operation.run()方法替代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()方法出事化x(变量需要初始化)
x.initializer.run()

#增加一个减法sub op，从 x 减去a，运行减法op，输出结果
sub = tf.sub(x, a)
print sub.eval（)

#==> [-2., -1.]

Tensor

tensorflow中使用tensor数据结构标示所有的数据，一个tensor可以看作一个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Variable

变量维护图执行过程中的状态信息。下面演示使用变量variable实现一个简单的计数器

#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()操作是图所描述的表达式的一部分，正如add()操作一样。在调用run()之前，并不会真正执行赋值操作
通常可以将一个模型中的参数表示为一组变量。如将一个神经网络的权重作为某个变量存储在tensor中，在训练过程中，通过重复运行训练图，更新tensor

Fetch

可以在使用session对象的run()调用执行图时，传入一个或多个tensor作为参数，这些tensor可以取回运行结果

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取而不是逐个去获取

Feed

feed机制可以临时替代图中的任意op中的tensor，可以对图中任何op提交补丁，直接插入一个tensor
feed使用一个tensor值临时替换一个op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消失
常见的用法是将某些特殊的操作制定为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)]