TensorFlow学习---基础概念和程序的形式

转载博客：http://blog.csdn.net/phdat101/article/details/52350611

1.概念

graph：图，表示具体的计算任务

session：会话，图需要在会话中执行，一个会话可以包含很多图

tensor：张量，在此表示数据，类型是numpy::ndarray

variable：就是本意变量，图的重要组成部分

operation：简称op，是图中计算的节点，输入tensor计算后产生tensor

feed、fetch：意思是给图添加数据和获取图中的数据，因为训练过程中有些数据需要动态获得、临时给予数据

运行：

考虑到python运算的性能，肯定需要使用外部运算库，但是内外环境切换也是个很大的开销，TF如同其他主流机器学习工具，把程序通常组织成一个构建阶段和一个执行阶段。构建就是说明需要一个怎样的网络模型，执行就是按照指定的优化训练模型，也包含检验输出等操作。可以看做先用python程序搭建模型，然后全部在python之外运行。

2. 例子

2.1 平面拟合

需要拟合的平面：y = W1 * x1_data + W2*x2_data + b，其中，已知x1_data、x2_data和y，但是都包含一点噪声。

程序：

  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

import tensorflow as tf
import numpy as np
# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
x1_data = np.random.rand(100).astype(np.float32)
x2_data = np.random.rand(100).astype(np.float32)
y_data = x1_data * 10 + x2_data * 5 + 3 + tf.random_uniform([100], -0.1, 0.1)
# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but TensorFlow will
# figure that out for us.)
# note: W b and y just statement/container  before initialization
W1 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
W2 = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W1 * x1_data + W2*x2_data + b
# Minimize the mean squared errors.
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.AdagradOptimizer(0.6)
train = optimizer.minimize(loss)
# Before starting, initialize the variables.  We will 'run' this first.
init = tf.initialize_all_variables()
# Launch the graph.
sess = tf.Session()
sess.run(init)
# Fit the line.
for step in range(20001):
    sess.run(train)
    #if step % 20 == 0:
        #print(step, sess.run(W), sess.run(b),sess.run(loss))
        
print(step, sess.run(W1), sess.run(W2), sess.run(b),sess.run(loss))
# Learns best fit is W: [0.1], b: [0.3]

 来自CODE的代码片

PlaneFitting.py

 1

empty

 来自CODE的代码片

snippet_file_3.txt

程序首先使用随机数产生需要拟合的数据，然后规定误差项和优化的方式，然后是训练并输出结果。优化方法有很多种不仅仅是AdagradOptimizer（）。

2.2 矩阵相乘

两个比较大的矩阵相乘，分别使用GPU和CPU，比较运行时间

  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15

import tensorflow as tf
import numpy as np
#when put here the "cpu" is same as "gpu" , because it has been deploied on gpu or cpu
#select the fastest device automatically 
#matrix1 = np.random.rand(20000,1500).astype(np.float32)
#matrix2 = np.random.rand(1500,20000).astype(np.float32)
#product = tf.matmul(matrix1, matrix2)
with tf.Session() as sess3:
with tf.device("/gpu:0"):#gpu 11.6s and cpu 20.2s
matrix1 = np.random.rand(20000,1500).astype(np.float32)
matrix2 = np.random.rand(1500,20000).astype(np.float32)
product = tf.matmul(matrix1, matrix2)
result = sess3.run(product)

 来自CODE的代码片

MatrixsMul.pyt

如果有GPU并且安装的是GPU版本的TF，程序默认是在GPU上运行的。通过指定"/gpu:0"或"/cpu:0"的形式，可以人为改变。GPU运行时间是11.6s，CPU是20.2s，节省了一些时间。

2.3 构建session的另一种方式

以上程序需要显示地使用sess.run(...)运行节点，想法自然，但TF也提供了另一种形式

  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15

import tensorflow as tf
import numpy as np
#deploy a session
sess = tf.InteractiveSession()
#design the grape
matrix1 = np.random.rand(2000,1500).astype(np.float32)
matrix2 = np.random.rand(1500,2000).astype(np.float32)
product = tf.matmul(matrix1, matrix2)
#run the operation
print product.eval()
sess.close()

 来自CODE的代码片

AnotherSession.py

2.4一个计数器--说明构建阶段和运行阶段

TF把很多操作都规定成内部的函数，先显式地规定网络，然后才是运行

  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20

import tensorflow as tf
#design the graph
state = tf.Variable(0, name="counter")
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)
#initialization
init_op = tf.initialize_all_variables()
#run 
with tf.Session() as sess:
sess.run(init_op)
print sess.run(state)
for _ in range(3):
sess.run(update)
print sess.run(state)

 来自CODE的代码片

ASimpleCounter.py

2.5获取数据fetch（）

程序运行时需要获取一些数据，每个节点获取的数据可以理解为：对每个点单独有通路，从底部运行过来（实际不是这样，但数据同步行类似）

  1  2  3  4  5  6  7  8  9 10 11 12 13 14

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

 来自CODE的代码片

AboutFetch.py

2.6填充数据feed（）

随时给程序填充一些数据

  1  2  3  4  5  6  7  8  9 10

import tensorflow as tf
import numpy as np
input1 = tf.placeholder(tf.float32,shape=(5, 5))
input2 = tf.placeholder(tf.float32,shape=(5, 5))
output = tf.matmul(input1, input2)#matmul is different mul
with tf.Session() as sess:
rand_array = np.ones([5, 5])
print sess.run([output], feed_dict={input1: rand_array,input2: rand_array})

 来自CODE的代码片

AboutFeed.py

参考：

官方手册：https://www.tensorflow.org/versions/r0.10/get_started/index.html

中文社区：http://www.tensorfly.cn/