Tensorflow学习笔记----基础（3）

目录：

一、TensorFlow的系统架构

二、TensorFlow的设计理念

三、TensorFlow的运行流程

四、TensorFlow的编程模型：边、节点、图、设备、变量、变量初始化、内核

五、常用的API：图、操作、张量、变量作用域【variable_scope】、占位符placeholder

一、TensorFlow的系统架构：

二、设计理念：

（1）将图的定义和运行完全分开。TensorFlow采用符号式编程。

符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后需要对数据流图进行编译，但这时的数据流图是一个空壳，里面没有实际数据，只有把需要的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。

（2）TensorFlow涉及的运算都放在图中，图的运行只发生在会话（session）中。开启会话后，就可以用数据去填充节点，进行运算。关闭会话后，就不能进行计算了。

三、TensorFlow的运行流程

运行流程主要有2步：构造模型和训练。

构造模型阶段，需构建一个图（Graph）来描述我们的模型。所谓的图，可认为是流程图，即将数据的输入--> 中间处理--> 输出的过程表示出来，如下图：

这时候是不会发生实际运算的，在模型构建完毕之后，进入训练步骤。此时才会有实际的数据输入，梯度计算等操作。

构建抽象的模型的几个重要概念：Tensor，Variable，placeholder

训练阶段的重要概念：session

四、编程模型：

（1）边：边有两种连接关系：数据依赖和控制依赖。其中，实现边表示数据依赖，代表数据，即张量。张量具有的一些数据属性：

tf.float32
tf.float64
tf.int64
tf.int32
……

虚线边为依赖控制，可用于控制操作的运行，这类边没有数据流过。但源节点必须在目的节点开始执行前完成执行。常用代码如下：

tf.Graph.control_dependencies(control_inputs)

（2）节点：图中的节点表示一个操作（OP)，即数学运算。在建立图的时候确定下来。

（3）图：构建图的第一步是创建各个节点。具体如下：

import tensorflow as tf

#创建一个常量运算操作，产生一个1×2矩阵

matrix1 = tf.constant ( [ [ 3., 3. ] ] )

#创建另一个常量运算操作，产生一个2×1矩阵

matrix2 = tf.constant ( [ [2.] , [2. ] ] )

#创建一个矩阵乘法运算，把两个matrix作为输入
#返回值product代表矩阵乘法的结果

product = tf.matmul ( matrix1,matrix2)

为什么要写 tf.Graph().as_default()？

• 多线程：

tf.Graph() 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。

tf.Graph().as_default() 表示将这个类实例，也就是新生成的图作为整个 tensorflow 运行环境的默认图，如果只有一个主线程不写也没有关系，tensorflow 里面已经存好了一张默认图，可以使用tf.get_default_graph() 来调用（显示这张默认纸），当你有多个线程就可以创造多个tf.Graph()，就是你可以有一个画图本，有很多张图纸，这时候就会有一个默认图的概念了。

• 上下文管理器

另外一种典型的用法就是要使用到Graph.as_default() 的上下文管理器（ context manager），它能够在这个上下文里面覆盖默认的图。

（4）会话：启动图的第一步是创建一个session对象。会话提供在图中执行操作的一些方法，一般的模式是，建立会话，此时会生成一张空图，在会话中添加节点和边，形成一张图，然后执行。

with tf.Session() as sess:
#在调用session对象的run()方法来执行图时，传入一些Tensor，这个过程叫填充（feed），返回的结果类型根据输入的类型而定，这个过程叫取回（fetch）。
    result = sess.run ( [product] )
    print result

（5）设备（device）：一块可以用来运算并且拥有自己的地址空间的硬件，如GPU和CPU。

with tf.Session() as sess:
    #指定在第二个gpu上运行
    with tf.device("/gpu:1"):
        matrix1 = tf.constant ( [ [3. ,3. ]])
        matrix2 = tf.constant ( [ [2. ], [ 2. ]])
        product = tf.matmul ( matrix1,matrix2)

（6）变量：比如用来建立激活函数中的W、b等矩阵变量。使用tf.Variable()构造函数。

#创建一个变量，初始化为标量0

state = tf.Variable ( 0 , name="counter" )

#以下两个是等价的,在创建变量时，两者区别不大，get_variable可获取变量
v = tf.get_variable("v" , shape = [1] ,initializer = tf.constant_initializer(1.0))
v = tf.Variable(tf.constant(1.0,shape = [1]) ,name = "v")

tf.get_variable函数和tf.Variable函数最大的区别在于指定变量名称的参数。

tf.Variable的变量名称是一个可选的参数，name = "v“。

tf.get_variable的变量名称是一个必填的参数。tf.get_variable根据这个名称创建或获取这个变量。

（7）内核：能运行在CPU、GPU等设备上的一种对操作的实现。

（8）变量初始化：

五、常用的API

（1）图：

（2）操作：

（3）张量：

(4)变量作用域：

TensorFlow有两个作用域：一个是name_scope，另一个是variable_scope。

variable_scope主要是给variable_name加前缀（变量)，也可给op_name加前缀（操作），name_scope是给op_name加前缀。

variable_scope有点像将该变量变成全局变量，作用域可以共享变量的意思。

v = tf.variable (name, shape ,dtype , initializer ) #通过所给的名字创建或是返回一个变量

tf.variable_scope(<scope_name>) #为变量指定命名空间

(5)占位符placeholder

tf.placeholder(tf.float32，shape),shape常表示为[None,整数]，这里的None表示未知的样本数。

有placeholder后面就有一个feed_dict绑定，

import tensorflow as tf

#placeholder在开始时相当于先为变量占位，在后面在用不同的变量来换掉它

#设置两个占位

input1 = tf.placeholder(tf.float32)
#若需要规定2行2列这种结构可在后面添加成  tf.placeholder(tf.float32 ，[2,2] )
input2 = tf.placeholder(tf.float32)

output = tf.mul ( input1,input2)

#只要有placeholder后面就有一个feed_dict绑定，在sess.run那用它来赋值

with tf.Session() as sess:
    print( sess.run (output, feed_dict= { input1:[7.] , input2:[2.] })

(6)用GPU进行TensorFlow计算加速

GPU只在部分数据类型上支持tf.Variable操作。如果在TensorFlow代码库中搜索调用这段代码的宏TF_CALL_GPU_NUMBER_TYPES，可以发现在GPU上，tf.Variable操作只支持实数型（float16、float32和double）的参数。而在报错的样例代码中给定的参数是整数型的，所以不支持在GPU上运行。为避免这个问题，TensorFlow在生成会话时可以指定allow_soft_placement参数。当allow_soft_placement参数设置为True时，如果运算无法由GPU执行，那么TensorFlow会自动将它放到CPU上执行。以下代码给出了一个使用allow_soft_placement参数的样例。

故tf.device("/gpu:1")有时会报错。

        os.environ["CUDA_VISIBLE_DEVICES"] = ""
        config = tf.ConfigProto()
#         config.gpu_options.per_process_gpu_memory_fraction = 0.5
        config.gpu_options.allow_growth=True # allocate when needed

        sess = tf.Session(config = config)

(7)embedding_lookup

https://www.cnblogs.com/gaofighting/p/9625868.html

https://blog.csdn.net/laolu1573/article/details/77170407

import tensorflow as tf
p=tf.Variable(tf.random_normal([10,1]))#生成10*1的张量
b = tf.nn.embedding_lookup(p, [1, 3])#查找张量中的序号为1和3的
c = tf.nn.embedding_lookup(p, [[1,2, 3],[2,4,5]])#查找batch_size = 2,ndim = 3的张量中的序号
d = tf.expand_dims(c, -1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print("b:",b)
    print(sess.run(b))
    print("c:",c)
    print(sess.run(c))
    print("d:",d)
    print(sess.run(d))
    print("p:",p)
    print(sess.run(p))
    print(type(p))

结果

b: Tensor("embedding_lookup_17:0", shape=(2, 1), dtype=float32)
[[ 1.3196588]
 [-0.8500369]]
c: Tensor("embedding_lookup_18:0", shape=(2, 3, 1), dtype=float32)
[[[ 1.3196588 ]
  [-0.48340532]
  [-0.8500369 ]]

 [[-0.48340532]
  [-0.74867696]
  [ 2.043409  ]]]
d: Tensor("ExpandDims_4:0", shape=(2, 3, 1, 1), dtype=float32)
[[[[ 1.3196588 ]]

  [[-0.48340532]]

  [[-0.8500369 ]]]

 [[[-0.48340532]]

  [[-0.74867696]]

  [[ 2.043409  ]]]]
p: <tf.Variable 'Variable_9:0' shape=(10, 1) dtype=float32_ref>
[[-0.07763693]
 [ 1.3196588 ]
 [-0.48340532]
 [-0.8500369 ]
 [-0.74867696]
 [ 2.043409  ]
 [ 1.0277175 ]
 [ 0.8650728 ]
 [-1.1537417 ]
 [ 0.4588327 ]]
<class 'tensorflow.python.ops.variables.Variable'>

(8)tf.split

import tensorflow as tf
p=tf.Variable(tf.random_normal([10,1]))#生成10*1的张量
c = tf.nn.embedding_lookup(p, [[1,2, 3],[2,4,5]])#查找batch_size = 2,ndim = 3的张量中的序号
input_att = tf.split(c, 3, axis=1)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    print("c:",c)
    print(sess.run(c))
    print(sess.run(input_att))

结果

c: Tensor("embedding_lookup_24:0", shape=(2, 3, 1), dtype=float32)
[[[-0.02312754]
  [ 1.137335  ]
  [ 0.28091738]]

 [[ 1.137335  ]
  [-0.39026853]
  [ 0.16639084]]]
[array([[[-0.02312754]],

       [[ 1.137335  ]]], dtype=float32), array([[[ 1.137335  ]],

       [[-0.39026853]]], dtype=float32), array([[[0.28091738]],

       [[0.16639084]]], dtype=float32)]

(9) tf.linspace

tensorflow在设计时，尽量模仿numpy，因此很多函数都很类似。不过有一些操作tf中还是无法支持的，比如map:

import tensorflow as tf
import numpy as np
"""
0.0
3.3333333333333335
6.666666666666667
10.0
"""
for a in np.linspace(0., 10., 4):
    print(a)
"""
TypeError: Tensor objects are not iterable when eager execution is not enabled. To iterate over this tensor use tf.map_fn.
"""
for a in tf.linspace(0., 10., 4):
    print(a)

六、模块

https://blog.csdn.net/u014365862/article/details/77833481

tf.nn，tf.layers， tf.contrib模块有很多功能是重复的，尤其是卷积操作，在使用的时候，我们可以根据需要现在不同的模块。但有些时候可以一起混用。

下面是对三个模块的简述：

（1）tf.nn ：提供神经网络相关操作的支持，包括卷积操作（conv）、池化操作（pooling）、归一化、loss、分类操作、embedding、RNN、Evaluation。

（2）tf.layers：主要提供的高层的神经网络，主要和卷积相关的，个人感觉是对tf.nn的进一步封装，tf.nn会更底层一些。

（3）tf.contrib：tf.contrib.layers提供够将计算图中的  网络层、正则化、摘要操作、是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变。

以上三个模块的封装程度是逐个递进的。