Tesorflow学习笔记(一)
博客专区 > clgo 的博客 > 博客详情
Tesorflow学习笔记(一)
clgo 发表于5个月前
Tesorflow学习笔记(一)
  • 发表于 5个月前
  • 阅读 33
  • 收藏 0
  • 点赞 0
  • 评论 0

腾讯云 新注册用户 域名抢购1元起>>>   

Tenosrflow是非常强大的开源深度学习库。它的基本思想非常简单:用户通过Python定义计算图,Tensorflow把用户定义的计算图转化为尽可能高效率的的C++代码。最重要的一点是,Tensorflow支持把计算图分割为小的子集计算图并行的运行在不同的CPU和GPU上.,Tensorflow支持分布式计算,使得用户可以通过分布式服务训练非常大的神经网络。Tensorfolw的优点是:灵活,可扩展,可用于生产环境。

安装:

建议在虚拟环境中进行安装。

pip3 install --upgrade tensorflow           #安装cpu版本
pip3 install --upgrade tensorflow-gpu       #安装gpu版本

测试是否安装成功:

python3 -c 'import tensorflow; print(tensorflow.__version__)'

创建第一张计算图并在会话中运行:

import tensorflow  as tf

x = tf.Variable(3, name='x')
y = tf.Variable(4, name='y')
f = x*x*y + y +2

上面的代码看起来像是计算了一个数学式子并把结果存在了f中,其实不然,上面的式子仅仅生成了一个计算图,x,y并没有初始化,f也没有被赋值。

想要执行计算图,我们需要打开一个会话(session),在会话中初始化变量并计算f,会话会使用设备上的CPU和GPU执行计算,session本身会保存所有变量的值(在分布式Tensoflow中,servers会代替session保存变量)。

#打开一个会话(session),在会话中初始化变量并计算f,在最后要关闭会话
sess = tf.Session()
sess.run(x.initializer)
sess.run(y.initializer)
result = sess.run(f)
print(result)
sess.close()      

重复的使用sees.run()进行初始化和计算是非常麻烦的,Tensorflow提供了一种更友好的类似Python 进行IO读取操作的方法:

#下面代码和上面段代码作用一样
with tf.Session() as sess:
    x.initializer.run()
    y.initializer.run()
    result = f.eval()
    print(result)

f.eval() 等价于tf.get_default_session().sun(f) with的使用将sess设置为块内的默认会话,所以变量和计算不需要声明是在那个会话中进行初始化和计算的。而且使用with会自动在代码块结束时关闭会话。

当变量数目过多时,一个个初始化变量仍旧是非常麻烦的,我们可以使用tf.global_variables_initializer()函数初始化所有变量。要注意的是tf.global_variables_initializer()函数并没有立即初始化所有变量,而是生成了一个节点,当run()这个节点是,所有变量初始化。

#使用tf.global_variables_initializer()函数初始化所有变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    init.run()
    result = f.eval()
    print(result)

通过上面我们可以知道设置默认session可以节省每次声明session的麻烦,所有我们可以使用tf.InteractiveSession()声明默认会话。

#使用tf.InteractiveSession()声明默认会话
sess =tf.InteractiveSession()
init.run()
results = f.eval()
print(results)

一个Tensorflow工程通常可以分为两部分,建立计算图和运行计算图。通过建立计算图实现机器学习模型,通过执行计算图一遍遍的优化参数,改善模型表现。

管理计算图:

我们创建的节点会自动添加到默认计算图中:

x1 = tf.Variable(1)
x1.graph is tf.get_default_graph()
True

当我们想要创建多个计算图时,我们可以创建一个新的计算图并使用with命令切换默认计算图

graph = tf.Graph()
with graph.as_default():   #切换默认计算图
    x2 = tf.Variable(2)

x2.graph is graph
True
x2.graph is tf.get_default_graph
False

当我们的计算图中有许多相同的节点时,我们可以运行tf.reset_default_graph()来解决问题。

计算节点值的生命周期:

当开始一个计算时,Tensorflw会自动计算这个节点所依赖的节点:

w = tf.constant(3)
x = w + 2
y = x + 5
z = x *3

with tf.Session() as sess:
    print(y.eval())
    print(z.eval())

当执行y.eval()和z.eval()时,tensorflow会自动先计算y需要的w,x和z需要的w,x。再计算y,z本身。注意:此时y,z对w,x的计算是分开的,各自计算一遍,所有变量值的生命期是从初始化到会话关闭,所有计算节点都是从run()运行开始生成的。

如果想要避免重复计算w,x值,可以把y,z计算防灾同一个run中:

with tf.Session() as sess:
    y_val, z_val = sess.run([y,z])
    print(y_val)
    print(z_val)
共有 人打赏支持
粉丝 2
博文 87
码字总数 34305
×
clgo
如果觉得我的文章对您有用,请随意打赏。您的支持将鼓励我继续创作!
* 金额(元)
¥1 ¥5 ¥10 ¥20 其他金额
打赏人
留言
* 支付类型
微信扫码支付
打赏金额:
已支付成功
打赏金额: