本文个人博客地址: tensorflow基本概念

start up

1.1 谷歌深度学习工具历史:

1. 第一代：DistBelief 由 Dean于2011年发起，主要产品有：
   
   • Inception (图像识别领域)
   • 谷歌Search
   • 谷歌翻译
   • 谷歌照片
2. 第二代：TensorFlow 由Dean于2015年11月发起，大部分DistBelief都转向了TensorFlow

1.2 产品特性

概念	描述
编程模型	类数据流的模型
语言	Python C++
部署	code once,run ererywhere
计算资源	cpu,gpu
分布式处理	本地实现，分布式实现
数学表达式	数学图表达式，自动分化
优化	自动消除，kernel 优化，通信优化，支持模式，数据并行

1.3 计算图

import tensorflow as tf
b = tf.Variable(tf.zeros([100]))                   # 100维的向量，都初始化为0
w = tf.Variable(tf.random_uniform([784,100],-1,1)) # 784x100的矩阵
x = tf.placeholder(name="x")                       # 输入的占位符placeholder
relu = tf.nn.relu(tf.matmul(w,x)+b)                # Relu(Wx+b)
C =[...]                                           # 使用relu的一个函数计算代价

对应的计算图如下:

1.4 Tensorflow的代码样例

1. 构建数据流图的第一部分代码

import tensorflow as tf
import numpy as np
# 创建100个numpy的 x,y 假数据点，y = x*0.1+0.3
x_data = np.random.rand(100).astype("float32")
y_data = x_data*0.1+0.3
# 找出计算 y_data =W*x_data+b的w和b的值，虽然我们知道w=0.1,b=0.3,但是tensorflow会找到并计算出来
w = tf.Variable(tf.random_uniform)

2 tensorflow概览

要使用tensorflow的话，你需要理解以下概念:

• 图代表了计算
• 图需要在会话(Sessions)中执行
• 张量(tensor)代表数据
• 使用Variables来持有状态
• 使用feeds 和 fetches来获得任何操作的输入输出数据

tensorflow的概览

• 一个将计算转化为图的编程系统
• 图中的节点是：
  
  • 操作(op):执行某些计算
  • 输入(input):一个或多个张量(tensorflow)
  • Tensor张量：一个有类型的多维数组

3 两个计算阶段

3.1 在图中计算

• 图必须在Session中运行
• 会话(Session)
  
  • 将图操作放入到设备上，比如CPUs和GPUs
  • 提供执行方法
  • 返回操作产生的张量，比如python中的numpy ndarray对象，以及C和C++tensorflow::Tensor实例。

3.2 图中的两个计算阶段

1. 构建阶段

   • 形成图
   • 创建图来代表神经网络并训练这个神经网络

2. 执行阶段

   • 使用会话执行途中的操作
   • 重复执行图中训练操作集合

3. 构建图

   • 开始那些不需要任何输入(source ops)的操作(op)，常量
   • 将它们的输出传入到其他做计算的操作
   • 操作构建者返回对象
   • 代表了结构化操作的输出
   • 将这些输出传入其他操作构建者作为输入

4. 默认图

   将节点加入此图的操作构建者

import tensorflow as tf
# 创建一个产生1x2的矩阵的常量操作，操作被作为节点加入到默认图
# 构建者的返回值代表了常量操作的输出
matrix1 = tf.constant([[3,3.]])
# 创建另外一个产生 2x1矩阵的常量操作
matrix2 = tf.constant([[2.0],[2.]])

有三个节点：两个constant操作(ops)以及一个matmul操作

# 创建一个Matmul操作，将 matrix1和matrix2作为输入
# 返回值，‘product’，代表了矩阵相乘的结果
product = tf.matmul(matrix1,matrix2)

1. 在会话Session中运行图

   • 创建一个Session对象：应该在被关闭以释放资源
   • 没有参数，session构建者运行默认图

# 运行默认图
sess = tf.Session()
# 要运行matmul操作，我们调用了session的‘run()’方法，传入'producr'代表了matmul操作的输出。这即回调了matmul操作的输出结果
# 操作的输出以一个numpy的'ndarray'对象返回'result'
result = sess.run(product)
print result
# ==>[[12.]]
#关闭会话
sess.close()

1. Session运行图，Session.run()方法执行操作
2. 一个Session块(block)
   
   • 在块的结尾自动关闭

with tf.Session() as sess:
    result = sess.run([product])
    print result

1. GPU的使用

   • 将图定义转换为分布在各种计算资源，比如CPU和GPU之间的可执行操作
   • 如果有GPU，tensorflow会有限使用GPU

4 交互使用

• 在python环境中，比如Ipython,InteractiveSession类会被使用
• Tensor.eval()和Operation.run()
• 这可以避免必须用一个变量来保持一个session

# 进入一个交互的Tensorflow Session
import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0,2.0])
y = tf.constant([3.0,3.0])
#使用'x'的initializer的 run() 方法初始化
x.initializer.run()

# 添加一个操作从'x'中抽取'a'，执行并打印结果
sub = tf.sub(x,a)
print sub.eval()
# ==>[-2,-1.]

# 关闭session
sess.close()

5 张量(Tensors)

• Tensor(张量)数据结构代表了所有数据
• 在计算图中只有张量在操作之间传递
• n维数组或者列表
  
  • 静态类型，秩，或者 shape

rank(秩)

rank	数学实体	python示例
0	Scalar(大小)	s =483
1	Vector(大小和方向)	v=[1.1,2.2,3.3]
2	Matrix(数据表)	m=[[1,2,3],[4,5,6],[7,8,9]]
3	3-Tensor(立方(cube)的数量)	t=[[[2],[4],[6],[8]],[[10],[12]]]
n	n-Tensor	同上

shape

Rank	Shape	维数	示例
0	[]	0-D	一个0-D张量，一个标量
1	[D0]	1-D	一个1-D张量，shape是[5]
2	[D0,D1]	2-D	一个2-D张量，shape是[3,4]
3	[D0,D1,D2]	3-D	一个3-D张量，shape[1,4,3]
n	[D0,D1,D2,…Dn]	n-D	一个n-D张量，shape是[D0,D1,…Dn]

数据类型

Data type	python类型	描述
DT_FLOAT	tf.float32	32位浮点类型
DT_DOUBLE	tf.float64	64位浮点类型
DT_INT64	tf.int64	64位有符号整型
DT_INT32	tf.int32	32位有符号整型
DT_INT16	tf.int16	16位有符号整型
DT_INt8	tf.int8	8位有符号整型
DT_UINT	tf.unit8	8位无符号整型
DT_STRING	tf.string	变量长度的字节数组，Tensor每个元素是一个字节数组
DT_BOOL	tf.bool	Boolean
DT_COMPLEX64	tf.complex64	由两个32位浮点数组成的复数，实数和大小部分
DT_QINT32	tf.qint32	量化操作中32位有符号整型
DT_QINT8	tf.qint8	量化操作中8位有符号整型
DT_QUINT8	tf.quint8	量化操作中8位无符号整型

6 变量

变量的创建、初始化、存储和载入

• 为了持有和更新参数，在图中保持状态可以通过调用 run()方法
• 内存buffer包含张量
• 必须是明确初始化并且在训练期间和训练之后存储到磁盘上的
• 类 tf.Variable
  
  • 构造器：变量的初始化值，一个任意类型和shape的张量
  • 构造之后，类型和shape都会固定
  • 使用assign操作op， validate_shape = False

6.1 创建

• 传入一个张量作为初始值到 Variable构造方法中
• 初始值：常量constants,序列化和随机值
  
  • tf.zeros(),tf.linspace(),tf.random_normal()
• 固定shape：与操作的shape相同

# 创建两个变量
weight = tf.Variable(tf.random_normal([784,200],stddev=0.35),name ="weights")
biases = tf.Variable(tf.zeros([200]),name ="biases")

• 调用 tf.Variable() 加入操作到图中

6.2 初始化

• 添加一个操作并执行
• tf.initialize_all_variables()

# 添加一个操作来初始化变量
init_op = tf.initialize_all_variables()
# 过后，执行model
with tf.Session() as sess:
    #运行初始化操作
    sess.run（init_op）

6.3 存储和恢复

• tf.saver
• 检查点文件：Variables都存储在二进制文件中，该文件包含了一个变量名到张量值得map

# 创建一些变量
v1 = tf.Variables(...,name ="v1")
v2 = tf.Variables(...,name="v2")
...
#添加一个操作来初始化变量
init_op = tf.initialize_all_variables()

# 添加操作来保存和恢复所有变量
saver = tf.train.Saver()
# 然后，运行模型，初始化变量，做一些操作，保存变量到磁盘中
with tf.Session() as sess:
     sess.run(init_op)
     # 对模型做一些操作
    .....
    #存储变量到磁盘中
    save_path = saver.save(sess,"/tmp/model.ckpt")
    print ("Model saved in file: %s"%save_path)

* 恢复*

with tf.Session() as sess:
    # 从磁盘中恢复变量
    saver.restore(sess,"/tmp/model.ckpt")
    print ("Model restored")
    # 做一些操作

6.4 选择哪些变量来存储和恢复

• 在 * tf.train.Saver()*中没有参数

  • 处理图中所有变量，每个变量都会被保存在该名字之下

• 存储和恢复变量的子集

  • 训练5层神经网络，想训练一个新的6层神经网络，从5层圣经网络中恢复参数

• 向tf.train.Saver()构造方法中传入一个Python词典:keys

# 创建一些变量
v1 = tf.Variables(...,name ="v1")
v2 = tf.Variables(...,name ="v2")
# 添加操作存储和恢复变量 v2,使用名字 "my_v2"
saver = tf.train.Saver({"my_v2":v2})
# 使用saver对象
...

6.5 简单计数器的示例代码

# 创建一个变量，初始化为标量0
state = tf.Variables(0,name="Counter")
# 创建一个操作来给"state"加1
one = tf.constant(1)
new_value = tf.add(state,one)
update = tf.assign(state,new_value)

# 在图被运行，变量必须是通过运行一个"init"操作被初始化。
# 我们首先要将"init"操作加入到图中
init_op = tf.initialize_all_variables()

# 运行图，和操作
with tf.Session() as sess:
    #运行 'init'操作
    sess.run(init_op)
    # 打印'state'的初始化值
    print (sess.run(state))
    # 运行更新'state'的操作，并打印'state'
    for _ in range(3):
        sess.run(update)
        print (sess.run(state))
# 输出
#0
#1
#2
#3

6.6 取数据Fetches

• 在Session对象中调用run()方法来执行图，并传入张量来取回数据

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)
# 输出
# [array([21.],dtype = float32),array([7.],dtype = float32)]

6.7 Feeds

• 直接打包一个张量到图中的任何操作
• 使用一个张量值临时替换一个操作的输出值
• feed数据作为run()方法的一个参数
• 仅仅用来运行调用被传入值
• tf.placeholder()

input1 = tf.placeholder(tf.float32)
input2 =tf.placeholder(tf.float32)
output = tf.mul(input1,input2)

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

#输出
#[array([14.],dtype=float32)]

7 操作

类别	示例
逐元素数学运算	Add,Sub,Mul,Div,Exp,Log,Greater,Less,Equal…
数组操作	Concat,Slice,Split,Constant,Rank,Shape,Shuffle..
矩阵运算	MatMul,MatrixInverse,MatrixDeterminant…
状态操作	Variable,Assign,AssignAdd…
神经元构建块	SoftMax,Sigmoid,ReLU,Convolution2D,MaxPool…
检查点操作	Save,Restore
队列和同步操作	Enqueue,Dequeue,MutexAcquire,MutexRelease,…
控制流操作	Merge,Switch,Enter,Leave,NextIteration