TensorFlow编程模型

楼主学TensorFlow也有一段时间了，也是从小白走到了菜鸟阶段。网上有不少TensorFlow教程，但感觉好多都没把编程模型完全说清楚，今天楼主就来总结一下这几天的学习成果，出一个TensorFlow编程模型的教程

 

 

1.引言

TensorFlow翻译成中文大致就是“向量流”的意思，这很大程度上反映了TensorFlow的编程模型：让向量数据在计算图里流动

那么在编程时至少有这几个过程：1.构建图，2.启动图，3.给图喂数据并获取结果。

下面的讲解也将按这个流程展开。

 

 

2.构建图

TensorFlow里图的类型是tf.Graph，它包含着计算节点和tensor的集合。

这里引用了两个新概念：tensor和计算节点。我们先介绍tensor

 

一开始我们就介绍了，我们需要把数据喂给启动的图才能获取计算结果。那么问题来了，在构建图时用什么表示中间计算结果？这个时候tensor的概念就需要引入了。

类型是tf.Tensor，代表某个计算节点的输出，一定要看清楚是“代表”。它主要有两个作用：

1.      构建不同计算节点之间的数据流

2.      在启动图时，可以设置某些tensor的值，然后获取指定tensor的值。这样就完成了计算的输入输出功能。

如下代码所示：

inputImage=tf.placeholder(tf.float32,[32,32,3],"inputImage")processedImage=tf.image.per_image_standardization(inputImage,"processedImage")

这里inputImage和processedImage都是tensor类型。它们代表着计算节点输出的数据，数据的值具体是多少我们在启动图的时候才知道。上面两个方法调用楼主都传递了一个字符串，它是计算节点的名字，最好给节点命名，这样我们可以在图上调用get_tensor_by_name(name)获取对应的tensor对象，十分方便。（tensor名字为“<计算节点名字>:<tensor索引>”）

创建tensor时，需要指定类型和shape。对不同tensor进行计算时要求类型相同，我们可以使用tf.cast进行类型转换。同时也要求shape(向量维度)满足运算的条件，我们可以使用tf.reshape改变shape

 知道tensor的概念后，计算节点的概念也就清楚了。其功能为：对tensor进行计算、创建tensor或进行其他操作，类型是tf.Operation。获取节点对象的方法为get_operation_by_name(name)。

构建图的方法有的返回的是tensor对象，有的是节点对象，大家看文档时要注意 。

 

好，下面回到构建图上。既然了解tensor和计算节点的概念了，构建图自然也简单了，看下面的代码：

g=tf.Graph()with g.as_default():    input_data=tf.placeholder(tf.float32,[None,2],"input_data")    input_label=tf.placeholder(tf.float32,[None,2],"input_label")    w1=tf.Variable(tf.truncated_normal([2,2]),name="w1")    b1=tf.Variable(tf.zeros([2]),name="b1")    output=tf.add(tf.matmul(input_data,w1),b1,name="output")    cross_entropy=tf.nn.softmax_cross_entropy_with_logits(logits=output,labels=input_label)    train_step=tf.train.AdamOptimizer().minimize(cross_entropy,name="train_step")    initer=tf.global_variables_initializer()    saver=tf.train.Saver()

上面的代码中我们创建了一个图，并在上面添加了很多节点。网上的教程大多不会先实例化一个图对象，而是直接开始创建节点或tensor，这样的话所有的节点将加入默认的图里，我们可以通过调用get_default_graph()获取默认的图。

Input_data，input_label，w1，b1，output，cross_entropy都是tensor类型，train_step，initer，是节点类型。至于saver，文档上说是ASaverDef proto，楼主也不太清楚是什么，反正用它保存或载入模型就对了。

有几类tensor或节点比较重要，下面介绍一下：

1.      placeholder

上面提到过，我们可以通过启动图时指定某些tensor的值，完成输入功能。这类tensor就是placeholder，它代表一个要输入的值。在启动图并获取某个tensor的值时，如果这个tensor依赖某个未指定值的placeholder，代码会抛出异常。

2.      variable

在对机器学习模型进行训练时，我们需要不断调整模型的状态，这个状态就由variable来保存。创建variable时我们需要给一个初始值。

3.      initializer

每次启动图都需要初始化变量，虽然在创建变量时指定了初始值，但我们还是需要先运行一下初始化节点。使用未初始化的节点进行计算会产生异常

 

 

3.启动图

启动图比较简单，不过要引入session的概念。

图的每个运行实例都必须在一个session里，session为图的运行提供环境。Session的类型是tf.Session，在实例化session对象时我们需要给它传递一个图对象，如果不显示给出将使用默认的图。Session有一个graph属性，我们可以通过它获取session对应的图。

代码如下：

 

numOfBatch=10datas=np.zeros([numOfBatch,2],np.float32)labels=np.zeros([numOfBatch,2],np.float32)sess=tf.Session(graph=g)graph=sess.graphsess.run([graph.get_operation_by_name("initer")]) dataHolder=graph.get_tensor_by_name("input_data:0")labelHolder=graph.get_tensor_by_name("input_label:0")train=graph.get_operation_by_name("train_step")out=graph.get_tensor_by_name("output:0")for i inrange(200):   result=sess.run([out,train],feed_dict={dataHolder:datas,labelHolder:labels})   if i%100==0:       saver.save(sess,"./moules")sess.close()

代码都比较简单，就不介绍了。不过要注意2点：1.别忘记运行初始化节点，2.别忘记close掉session对象以释放资源。

 

 

4.给图喂数据并获取结果

我们看下面代码

for i inrange(200):    result=sess.run([out,train],feed_dict={dataHolder:datas,labelHolder:labels})

这里主要用到了session对象的run方法，它用来运行某个节点或tensor并获取对应的值。我们一般会一次传递一小部分数据进行mini-batch梯度下降来优化模型。

我们需要把我们需要运行的节点或tensor放入一个列表，然后作为第一个参数(不考虑self)传递给run方法，run方法会返回一个计算结果的列表，与我们传递的参数一一对应。

如果我们运行的节点依赖某个placeholder，那我们必须给这个placeholder指定值，怎么指定代码里面很清楚，给关键字参数feed_dict传递一个字典即可，字典里的元素的key是placeholder对象，value是我们指定的值。值的数据的类型必须和placeholder一致，包括shape。值本身的类型是numpy数组。

这里再解释一个细节，我们在定义placeholder时代码如下：

input_data=tf.placeholder(tf.float32,[None,2],"input_data")input_label=tf.placeholder(tf.float32,[None,2],"input_label")

shape为[None,2]，这是什么意思？这说明数据第一个维度是不确定的，然后TensorFlow会根据我们传递的数据动态推断第一个维度，这样我们就可以在运行时改变batch的大小。比如一个数据是2维，一次传递10个数据对应的tensor的shape就是[10,2]。可不可以把多个维度指定为None？理论上不可以！

 

5.总结

好像没什么好总结的了。。。本文的定位是TensorFlow小白了解编程模型，想要了解更多还是看API文档吧：https://www.tensorflow.org/api_docs/

 

多谢大家耐心阅读，别忘了给楼主的CSDN点赞[小乖]