TensorFlow初探：了解TensorFlow的基本概念和功能

本文从以下三个方面，展开对TensorFlow的剖析：

• TensorFlow框架概述
• TensorFlow基本操作
• TensorBoard使用

TensorFlow框架概述

2015年11月9日，为加速深度学习的发展，Google发布了深度学习框架TensorFlow，经过几年的发展，TensorFlow成为了最流行的深度学习框架。

TensorFlow从名字上解释就是Tensor(张量)+Flow(流)。什么是张量呢？张量是矢量概念的推广，可以表示任意维度的数据，如一维数组，二维矩阵，N维数据。TensorFlow的运行过程实质就是张量从图的一端流动到另一端的计算过程。下文简单阐述TensorFlow的一些基本概念。

• 图

深度学习框架分为“动态计算图”和“静态计算图”，支持动态计算图的被称为动态框架，支持静态计算图的被称为静态框架。

静态框架：先定义计算执行顺序和内存分配策略，然后按照规定的计算顺序和资源进行计算。打个比方，在盖大楼的时候，静态框架就好比设计师团队与施工团队分离，设计师设计好图纸之后，施工团队才开始按照图纸方案进行施工。

动态框架：声明和执行一起执行。类似于设计师和施工团队一块儿工作，设计师说先“打地基”，施工团队就开始施工打地基。

TensorFlow支持静态和动态两种方式，一般TensorFlow程序分为两个阶段，图的构建阶段和图的执行阶段。

• 操作

图中节点就是一个操作，比如，一次加法运算就是一个操作，构建变量的初始值也是一个操作。构建图的过程中，需要把所有操作确定下来，比如指定操作在哪台设备上执行。一些基本操作如下所示：

登录后复制

1#定义变量a操作2a = tf.Variable(1.0, name="a")3#定义操作b=a+14b = tf.add(a, 1, name="b")5
#定义操作c=b+16c = tf.add(b, 1, name="c")7#定义操作d=b+108d = tf.add(b, 10, name="d")

操作之间存在依赖关系，这种依赖被称为边，操作与边相连接就构成了一张图，如图1所示：

• 会话

TensorFlow的计算需要在会话中执行，当创建一个会话时，如果没有传递参数，会启动默认的图来构造图结构，并将图中定义的操作根据定义情况分发到CPU或者GPU上执行。

登录后复制

 1import tensorflow as tf 2#定义常量 3v1 = tf.constant(1, name="value1") 4v2 = tf.constant(1, name="value2") 5
 #v1+v2 6add_op = tf.add(v1, v2, name="add_op_name") 7
 #创建会话 8with tf.Session() as sess: 9  result = sess.run(add_op)10  print("1 + 1 = %.0f" % result)
 
 

TensorFlow基本操作

• 定义常量、变量和占位符

定义常量：a = tf.constant(1, name="value1")

定义变量：v2 = tf.Variable(0.01,name=”weight2”)

   注意：变量需要经过初始化之后才能使用，常量不需要

定义占位符：v3 = tf.placeholder("float")

登录后复制

 1import  tensorflow  as  tf 2#定义常量 3a = tf.constant(1, name="value1") 4
 #定义变量 5v1 = tf.Variable(0.001) 6v2 = tf.Variable(v1.initialized_value() * 2) 7
 #定义占位符 8v3 = tf.placeholder("float") 9v4 = tf.placeholder("float")10y = tf.mul(v3, v4) 
 #构造一个op节点1112init = tf.global_variables_initializer()13with tf.Session() as sess:14  
 #变量初始化15sess.run(init)16  print("v1 is:")17  print(sess.run(v1))18  print("v2 is:")19  
 print(sess.run(v2))20#占位符操作21      print sess.run(y, feed_dict={v3: 3, v4: 3})
 
 

• TensorFlow函数

笔者对TensorFlow中常用的函数进行了简单汇总，但是并不是非常全面，如果有需要，后续笔者会单独写一篇文章来详细的描述TensorFlow中函数的用法。

表1 TF常用函数汇总

TensorBoard使用

当训练一个复杂的神经网络时候，经常会根据情况调整网络结构。比如，在训练过程中根据训练集和验证集的准确率，来判断是否存在过拟合，或者查看训练过程中损失函数。一般可以将这些数据打印到日志文件，但是当信息比较多的时候，直接看日志文件不直观。为了更好的理解、调试和优化网络，TensorFlow提供了一套数据可视化工具TensorBoard。

下边举一个例子来演示一下如何收集训练过程中的数据，并且利用TensorBoard将数据展示出来。本例中要进行线性拟合，拟合的函数大致为，但2和10事先不知道，通过训练得到。训练的完整代码如下：

登录后复制

 1#coding=utf-8 2import numpy as np 3import tensorflow as tf 4 5
 # 构建图 6x = tf.placeholder(tf.float32) 7y = tf.placeholder(tf.float32) 8weight = tf
 .get_variable("weight", [], tf.float32, initializer=tf.random_normal_initializer()) 9biase  = tf
 .get_variable("biase", [], tf.float32, initializer=tf.random_normal_initializer())10pred = tf
 .add(tf.multiply(x, weight, name="mul_op"), biase, name="add_op")1112#损失函数13loss = tf
 .square(y - pred, name="loss")14#优化函数15optimizer = tf.train.GradientDescentOptimizer(0.01)16
 #计算梯度，应用梯度操作17grads_and_vars = optimizer.compute_gradients(loss)18train_op = optimizer
 .apply_gradients(grads_and_vars)1920#收集值的操作21tf.summary.scalar("weight", weight)22tf.summary
 .scalar("biase", biase)23tf.summary.scalar("loss", loss[0])2425merged_summary = tf.summary
 .merge_all()2627summary_writer = tf.summary.FileWriter('./log_graph' )28summary_writer
 .add_graph(tf.get_default_graph())29init_op = tf.global_variables_initializer()3031with tf
 .Session() as sess:32    sess.run(init_op)33    for step in range(500):34        
 train_x = np.random.randn(1)35        train_y = 2 * train_x + np.random.randn(1) * 0.01  + 1036        _, 
 summary = sess.run([train_op, merged_summary], feed_dict={x:train_x, y:train_y})37        
 summary_writer.add_summary(summary, step)
 
 

执行代码之后，会将日志文件写入log_graph文件夹下，执行如下命令运行TensorBoard：

登录后复制

1tensorboard --logdir=./log_graph

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删