一、™ 是一个基于数据流编程( )的符号数学系统,广泛用于各种机器学习( )算法的编程实现。它的前身是谷歌的神经网络算法库。
TensorFlow: 神经网络(深度) 图像:卷积神经网络 自然语言处理:循环神经网络 特点: 引入各种计算设备(CPU/GPU/TPU),以及能够很好的运行在移动端。 合理的C++使用界面,易用的Python使用界面来构造个执行你的graphs,可以直接写Python/C++程序 采用数据流图(data flow graphs),用于数值计算的开源库,能够灵活的组装图,执行图 谷歌支持,希望成为通用语言 前后端系统: 前端系统:定义程序图的机构 后端系统:运算图结构 会话: 1、运算图的结构 2、分配资源计算 3、掌握资源(变量的资源,队列,线程)
二、我们已经介绍了在人工智能领域可以做些什么。下面将主要介绍一些常见的概念。
1)张量():
tensor(张量): 一个类型化的N维数组 三部分: 名字、形状、数据类型 阶:和数组的维度类似 属性: graph:张量的默认图 op:张量的操作名 name:张量的字符串描述 shape:张量的形状 动态形状和静态形状: 动态形状:(动态形状,创建一个新的张量并且数据量大小不变) 一种描述原始张量在执行过程中的一种形状(动态变化) tf.reshape(和numpy类似),创建一个具有不同形态的新张量 静态形状:(静态形状,一旦张量固定,不能再次设置静态形状,不能夸维度修改) 创建一个张量,初始的形状 tf.get_shape():获取静态形状 tf.set_shape():更新对象的静态形状。通常用于不能推断的情况下 张量操作: 固定值张量: tf.zeros(shape, dtype, name) tf.ones() tf.constant() 随机张量:(正太分布) tf.random_normal(shape, mean, stddev, dtype, seed, name) mean: 平均值 stddev: 标准差 类型变换: tf.cast(x, dtype, name) 形状变换: tf.reshape() tf.get_shape() tf.set_shape() 切片与扩展: tf.concat(values, axis, name) google提供的数据运算: 地址:https://tensorflow.google.cn/api_docs/python/tf/math
2)变量():
变量: 也是一种op,是一种特殊的张量,能够进行储存持久化,它的值就是张量,默认被训练 tf.Variable(initial_value, name, trainable) 注: 1、变量op能够持久化保存,普通张量不行 2、当定义一个变量op的时候,一定要在会话中取运行初始化 3、name参数:在tensortboard使用的时候展示名字,可以让相同op名字进行区分
3)数据流图(Graph):
数据流图:
tensor:张量(numpy中的数组,ndarray类型然后封装为tensor),简而言之,就是数组
operation(op):专门运算的操作节点,所有操作都是一个op
图:你的这个程序架构
会话:运算程序的图
此处介绍了 OP 对上述张量和变量的解释。
4)会话():
构建 tf.Graph 时,向图中添加节点和边对象不会触发计算。图构建完成后,计算部分分配给 tf. 用于计算。
tf。拥有物理资源,通常在with代码块中使用,离开代码块后释放资源。创建一个 tf. 如果没有 with 块,您应该在会话完成时显式调用 tf..close 以结束进程。
通过调用 .run 创建的中间张量在调用结束时或之前被释放。tf..run 是运行节点对象和评估张量的主要方式。tf..run 需要指定 fetch 并提供一个 feed 字典。用户还可以指定其他选项来监控会话的运行。
5) 可视化():
可视化tensorboard: 通过读取TensorFlow事件文件来运行 tf.summary.FileWriter(path, graph) 读取(cmd中执行):tensorboard --logdir "path"
三、简单例子
import tensorflow as tf a = tf.constant(5.0) b = tf.constant(4.0) sum = tf.add(a, b) # 默认的这张图,相当于一块内存 graph = tf.get_default_graph() print(graph) # 只能运行一个图 with tf.Session() as sess: print(sess.run(sum)) # 图的创建 # 创建一张图包含了一组op和tensor,上下文环境 # op:只要使用tensorflow的api定义的函数都是op # tensor:指数数据 g = tf.Graph() with g.as_default(): c = tf.constant(12.0) # 有重载机制(默认给运算符重载成op类型) d = c + 1.0 print(g) # 可以在会话中指定运行 # config: # log_device_placement: 查看运行设备信息 with tf.Session(graph=g, config=tf.ConfigProto(log_device_placement=True)) as sess: print(sess.run(c)) # eval:只有在会话上下文才可以使用 print(d.eval()) # 占位符 plt = tf.placeholder(tf.float32, [None, 3]) print(plt) # 静态形状,一旦张量固定,不能再次设置静态形状,不能夸维度修改 plt.set_shape([2, 3]) print(plt) # 动态形状,创建一个新的张量并且数据量大小不变 plt_reshape = tf.reshape(plt, [3,2]) print(plt_reshape) print(sess.run(plt, feed_dict={plt: [[1,2,3], [4,5,6]]})) print("*" * 20) print(d.graph) print("-" * 20) print(d.op) print("-" * 20) print(d.name) print("-" * 20) # 形状表示维度大小,如果是()表示0维,?代表不确定 print(d.shape) print("*" * 20) # 变量 e = tf.constant(1.0, name="e") f = tf.constant(2.0, name="f") g = tf.add(e, f, name="g") var = tf.Variable(tf.random_normal([2,3], mean=0, stddev=1), name="var") print(e) print(var) # 初始化所有变量的op init_op = tf.global_variables_initializer() with tf.Session() as sess: # 必须初始化op,才可运行 sess.run(init_op) # tensorboard 写入 tf.summary.FileWriter("tmp/summary/test", graph=sess.graph) print(sess.run([g, var]))
结果
<tensorflow.python.framework.ops.Graph object at 0x0000020B45A05B38> 9.0 Device mapping: no known devices. add: (Add): /job:localhost/replica:0/task:0/cpu:0 add/y: (Const): /job:localhost/replica:0/task:0/cpu:0 Const: (Const): /job:localhost/replica:0/task:0/cpu:0 12.0 13.0 Tensor("Placeholder:0", shape=(?, 3), dtype=float32) Tensor("Placeholder:0", shape=(2, 3), dtype=float32) Tensor("Reshape:0", shape=(3, 2), dtype=float32) [[1. 2. 3.] [4. 5. 6.]] ******************** -------------------- name: "add" op: "Add" input: "Const" input: "add/y" attr { key: "T" value { type: DT_FLOAT } } -------------------- add:0 -------------------- () ******************** Tensor("e:0", shape=(), dtype=float32) Tensor("var/read:0", shape=(2, 3), dtype=float32) [3.0, array([[-0.24931028, 0.10012802, -0.8845826 ], [-0.08898215, -0.87531203, -0.5762032 ]], dtype=float32)]
四、总的来说还是很灵活的。使用数据流图,预先配置好关系图,通过数据传输的方式进行下一步操作。
以会话的方式进行资源等的控制,减少人为造成的问题。
总的来说,灵活性和适用性还是很不错的。
© 版权声明
本站下载的源码均来自公开网络收集转发二次开发而来,
若侵犯了您的合法权益,请来信通知我们1413333033@qq.com,
我们会及时删除,给您带来的不便,我们深表歉意。
下载用户仅供学习交流,若使用商业用途,请购买正版授权,否则产生的一切后果将由下载用户自行承担,访问及下载者下载默认同意本站声明的免责申明,请合理使用切勿商用。
THE END
暂无评论内容