Tensorflow基本概念（一）

1、计算图模型

1.1计算图的概念

tensorflow的名字就已经表达了它的两个重要的概念：tensor,flow。其中tensor指的是张量，它表示了tensorflow的基本数据类型；flow的意思是“流”，表示了tensoflow的计算模型，即张量通过计算不断地进行进行转化。

tensorflow的一个计算就代表了一个数据节点，而节点与节点之间的边则描述了计算之间的关系

1.2 计算图的使用

tensorflow的计算一般可以分为连个阶段：第一个阶段需要定义计算图中所有的计算，第二个阶段就是执行计算的阶段

构造阶段的主要目的是为了构建一张计算图.构建图的第一步是创建源op.源op不需要任何输入,源op的输出被传递给其他op作为输入.例如常量(Constant).在TensorFlow中存在一个默认图(defalut graph)。op构造器可以为其增加节。.很多时候我们会直接使用该图,可以通过tf.Graph.as_default()来获取。

下面展示一些 graph的代码。

import tensorflow as tf
t = tf. Graph
with t.as_dafault():
	v = tf.get_Variable("v",initializer=tf.zeros_initializer(shape[1]))

1
2
3
4
5

2、张量（tensor）

tensor是Tensorflow中最基础的数据结构，可理解为n维数组或矩阵，一般将零维的张量称为标量或者常数，一维的张量可理解为向量，二维张量可理解为矩阵，三维则是三维数组。在计算的过程中，张量没有保存数字，而是保存了运算的过程，最后的得出的结果也是对运算结果的引用。
张量主要保存三种属性：

• 属性名字：他是张量的唯一标识，给出了张量是如何计算出来的
• 张量维度
• 数据类型：在计算的时候，一定要注意数据类型相匹配，否则就会报错。
  张量的用处：
• 对中间结果进行引用，提高代码的可读性
• 得到计算的结果

tf.Session().run(Tensor)
1

以下是tensor的定义。

# constant函数的定义
constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

# 零维张量
import tensorflow as tf
a = tf.constant(1,tf.float32,name='a')
#一维张量
b = tf.constant([2,2,3],name='b')
#二维张量
c = tf.constant([[2,2,3],[3,4,5]]，tf.float32,name='c')
#三维张量
d = tf.constant(
   [[[1, 2], [3, 4]],
	[[5, 6], [7, 8]],
	[[9, 10],[11, 12]]
	],tf.float32,name='d')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

3、会话（Session）

首先我们需要创建一个Session对象.在不传参数的情况下,该Session的构造器将启动默认的图.之后我们可以通过Session对象的run(op)来执行我们想要的操作.

代码流程

sess = tf .Session()
sess.run()
sess.close

# 但一般会使用，以下方式
with tf.Session() as sess():
	sess.run()

1
2
3
4
5
6
7
8

4、op

op指的是操作：接受多个输入，同时也有多个输出，他的数据类型一般是tensor,constant,variable

#对于tensor
# 创建
tensor_name=tf.placeholder(type, shape, name)


#对于variable
# 创建变量
name_variable = tf.Variable(value, name)

# 初始化单个变量
init_op=variable.initializer()

# 初始化所有变量
init_op=tf.initialize_all_variables()

# 更新操作
update_op=tf.assign(variable to be updated, new_value)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

5、 Feed

我们可以通过TensorFlow对象的placeholder()为变量创建指定数据类型占位符,在执行run(op)时通过feed_dict来为变量赋值

import tensorflow as  tf

input_1 = tf.placeholder(tf.float32)
input_2 = tf.placeholder(tf.float32)
output = tf.add(input_1, input_2)

with tf.Session() as sess:
    # 通过feed_dict来输入,outpu表示输出
    print(sess.run([output],feed_dict={input_1:[7.],input_2:[2.]}))
1
2
3
4
5
6
7
8
9

6、 模型保存

保存模型

import tensorflow as tf

def save_model():
    v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
    v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
    init_op = tf.global_variables_initializer()
    saver = tf.train.Saver()
    with tf.Session() as sess:
        sess.run(init_op)
        saver_path = saver.save(sess, "./model.ckpt")
        print("model saved in file: ", saver_path)
1
2
3
4
5
6
7
8
9
10
11

加载模型，不需要进行变量的初始化

import tensorflow as tf

def load_model():
    v1 = tf.Variable(tf.random_normal([1, 2]), name="v1")
    v2 = tf.Variable(tf.random_normal([2, 3]), name="v2")
    saver = tf.train.Saver()
    with tf.Session() as sess:
        saver.restore(sess,"./model.ckpt")
        print("mode restored")

1
2
3
4
5
6
7
8
9
10

7、Variable

variable在使用之前，一定要进行初始化，具体可以看op

【参考文献】
1.https://blog.csdn.net/dd864140130/article/details/71774229
2.https://blog.csdn.net/u010591976/article/details/82183676