整體介紹
使用 TensorFlow, 你必須明白 TensorFlow:
- 使用圖 (graph) 來表示計算任務.
- 在被稱之為 會話 (Session) 的上下文 (context) 中執行圖.
- 使用 tensor 表示數據.
- 通過 變量 (Variable) 維護狀態.
- 使用 feed 和 fetch 可以為任意的操作(arbitrary operation)
賦值或者從其中獲取數據.
一個 TensorFlow 圖描述了計算的過程. 為了進行計算, 圖必須在 會話 里被啟動. 會話 將圖的 op 分發到諸如 CPU 或 GPU 之類的 設備 上, 同時提供執行 op 的方法. 這些方法執行后, 將產生的 tensor 返回. 在 Python 語言中, 返回的 tensor 是 numpy ndarray 對象; 在 C 和 C++ 語言中, 返回的 tensor 是tensorflow::Tensor 實例.
計算圖
TensorFlow 程序通常被組織成一個構建階段和一個執行階段. 在構建階段, op 的執行步驟 被描述成一個圖. 在執行階段, 使用會話執行執行圖中的 op.
其實這就是一個聲明式編程結構，就好比炒菜，我們都是把主材和佐料就准備好，才添油烹制。tensorflow的計算方式也是如此，我們先在構建階段將這個網絡（如神經網絡）構建出來，然后我們使用TensorFlow提供的Session方法開啟一個運行（run()）將我們的網絡放進去run一下，就可以得到我們想到的結果。這就是聲明式的編程方式。
Step 1： 構建圖
import tensorflow as tf
# 創建一個常量 op, 產生一個1x2 矩陣這個op被稱作是一個節點
# 加到默認圖中
#
#構造器的返回值代表常量 op的返回值
a = tf.constant([[3., 3.]])
b = tf.constant([[2.],[2.])
# 創建一個矩陣乘法操作， a, b作為輸入
# 返回 product 代表乘法的結果
product = tf.matmul(a,b)現在已經創建好了一個 兩個矩陣相乘並返回product結果的圖。也就是說主材和佐料已經准備好了。接下來就是到了生火炒菜的時間了。為了得到product，我們就必須在一個會話（Session）中啟動這個一個圖了。
Step 2：啟動一個圖
#接着上面的代碼
sess = tf.Session()
# 調用 sess 的 'run()' 方法來執行矩陣乘法 op, 傳入 'product' 作為該方法的參數.
# 上面提到, 'product' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回
# 矩陣乘法 op 的輸出.
#
# 整個執行過程是自動化的, 會話負責傳遞 op 所需的全部輸入. op 通常是並發執行的.
#
# 函數調用 'run(product)' 觸發了圖中三個 op (兩個常量 op 和一個矩陣乘法 op) 的執行.
#
# 返回值 'result' 是一個 numpy `ndarray` 對象.
sess.run(product)
print result
# ==> [[12.]]
# 任務完成后就需要關閉
sess.close()當然，在我們寫代碼的時候，有時候會忘記寫sess.close().這里我們可以使用系統的帶的with來實現session的自動關閉。
with tf.Session() as sess:
result = sess.run([product])
print resultTensorFlow自從0.8版本開始支持分布式處理的機器學習，而且同時，TensorFlow會充分的利用計算機資源：cpu GPU 等。而且如果檢測到GPU，會盡可能的使用GPU來實現對程序的計算。而當計算機上有多個GPU的時候，我們可以通過tf.device()來指定哪個GPU來執行。具體示例如下：
with tf.Session() as sess: with tf.device("/gpu:1"): a = tf.constant([[3., 3.]]) b = tf.constant([[2.],[2.]) product = tf.matmul(a,b) ...設備用字符串進行標識. 目前支持的設備包括:
- "/cpu:0": 機器的 CPU.
- "/gpu:0": 機器的第一個 GPU, 如果有的話.
- "/gpu:1": 機器的第二個 GPU, 以此類推.
交互式使用
文檔中的 Python 示例使用一個會話 Session 來 啟動圖, 並調用 **Session.run()**方法執行操作.
為了便於使用諸如 IPython 之類的 Python 交互環境, 可以使用InteractiveSession 代替 Session 類, 使用 Tensor.eval() 和 Operation.run() 方法代替 Session.run(). 這樣可以避免使用一個變量來持有會話。
# 進入一個交互式的會話 import tensorflow as tf sess = tf.InteractiveSession() x = tf.Variable([1.0, 2.0]) a = tf.constant([3.0, 3.0]) # 使用初始化來初始化 Variable x.initializer.run() # 增加一個減法操作 sub op 從x 減去a,然后輸出結果 sub = tf.sub(x,a) print sub.eval() # ==> [-2 -1]Tensor
在TensorFlow中使用Tensor數據結構來表示所有的數據。Tensor可以看做是一個n維的數組或列表。一個Tensor包含一個靜態類型Rank和一個shape.
變量 Variable
變量維護圖執行過程中的狀態信息。下面的例子演示了如何使用變量實現一個簡單的計數器。
# 創建一個變量， 初始化為標量 0 state = tf.Variable(0, name="counter") # 創建一個operation, 其作用是使state 增加 1 one = tf.constant(1) new_value = tf.add(sate,one) update = tf.assign(state, new_value) # 啟動圖后, 變量必須先經過`初始化` (init) op 初始化, # 首先必須增加一個`初始化` op 到圖中. init_op = tf.initialize_all_variables() with tf.Session() as sess: sess.run(init_op) # 運行 init_op print sess.run(state) # 打印出事狀態 for _ in range(3): sess.run(update) print sess.run(state) # 輸出: # 0 # 1 # 2 # 3Fetch
為了取回操作的輸出內容, 可以在使用 Session 對象的 run() 調用 執行圖時, 傳入一些 tensor, 這些 tensor 會幫助你取回結果. 在之前的例子里, 我們只取回了單個節點 state, 但是你也可以取回多個 tensor:
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():
result = sess.run([mul, intermed])
print result
# 輸出:
# [array([ 21.], dtype=float32), array([ 7.], dtype=float32)]Feed
上述示例在計算圖中引入了 tensor, 以常量或變量的形式存儲. TensorFlow 還提供了 feed 機制, 該機制 可以臨時替代圖中的任意操作中的 tensor 可以對圖中任何操作提交補丁, 直接插入一個 tensor.
feed 使用一個 tensor 值臨時替換一個操作的輸出結果. 你可以提供 feed 數據作為 run() 調用的參數. feed 只在調用它的方法內有效, 方法結束, feed 就會消失. 最常見的用例是將某些特殊的操作指定為 "feed" 操作, 標記的方法是使用 tf.placeholder() 為這些操作創建占位符.
input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess: print sess.run([output], feed_dict={input1:[7.], input2:[2.]}) # 輸出: # [array([ 14.], dtype=float32)]如果沒有正確提供 feed, placeholder() 操作將會產生錯誤.
Fly
2016.06.01