Tensorflow基礎

說明：本文實例使用Python版本為3.5.6，Tensorflow版本為2.0

介紹

Tensorflow是Google推出的機器學習開源神器，對Python有着良好的語言支持，支持CPU，GPU和Google TPU等硬件，並且已經擁有了各種各樣的模型和算法。目前，Tensorflow已被廣泛應用於文本處理，語音識別和圖像識別等多項機器學習和深度學習領域。

基礎框架

分為三層：應用層、接口層和核心層

應用層

提供了機器學習相關的訓練庫、預測庫和針對Python、C++和Java等變成語言的編程環境，類似於web系統的前端，主要實現了對計算圖的構造。

接口層

對Tensorflow功能模塊的封裝，便於其它語言平台的調用。

核心層

最重要的部分，包括設備層、網絡層、數據操作層和圖計算層，執行應用層的計算。

1.設備層

包括Tensorflow在不同硬件設備上的實現，主要支持CPU、GPU和Mobile等設備，在不同硬件設備上實現計算命令的轉換，給上層提供統一的接口，實現程序的跨平台功能。

2.網絡層

網絡層主要包括RPC和RDMA通信協議，實現不同設備之間的數據傳輸和更新，這些協議都會在分布式計算中用到。

3.數據操作層

以tensor為處理對象，實現tensor的各種操作和計算。

4.圖計算層

包括分布式計算圖和本地計算圖的實現，實現圖的創建、編譯、優化和執行等。

設計理念

可以將Tensorflow理解為一張計算圖中“張量的流動”，其中，Tensor（張量）代表了計算圖中的邊，Flow(流動)代表了計算圖中節點所做的操作而形成的數據流動。

其設計理念是以數據流為核心，當構建相應的機器學習模型后，使用訓練數據在模型中進行數據流動，同時將結果以反向傳播的方式反饋給模型中的參數，以進行調參，使用調整后的參數對訓練數據再次進行迭代計算。

編程特點

有兩個編程特點：

1. 圖的定義和圖的運行完全分開

在tensorflow中，需要預先定義各種變量，建立相關的數據流圖，在數據流圖中創建各種變量之間的計算關系，完成圖的定義，需要把運算的輸入數據放進去后，才會形成輸出值。

2. 圖的計算在會話中執行

tensorflow的相關計算在圖中進行定義，而圖的具體運行壞境在會話(session)中，開啟會話后，才能開始計算，關閉會話就不能再進行計算了。

舉個例子：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()


a = 3
b = 4
c = 5
y = tf.add(a*b, c)
print(y)

a = tf.constant(3, tf.int32)
b = tf.constant(4, tf.int32)
c = tf.constant(5, tf.int32)
y = tf.add(a*b, c)
print(y)
session = tf.compat.v1.Session()
print(session.run(y))
session.close()

可以看出，在圖創建后，並在會話中執行數據計算，最終輸出結果。

設計的好處就是：學習的過程中，消耗最多的是對數據的訓練，這樣設計的話，當進行計算時，圖已經確定，計算就只剩下一個不斷迭代的過程。

基本概念

Tensor

張量，是tensorflow中最主要的數據結構，張量用於在計算圖中進行數據傳遞，創建了張量后，需要將其賦值給一個變量或占位符，之后才會將該張量添加到計算圖中。

session

會話，是Tensorflow中計算圖的具體執行者，與圖進行實際的交互。一個會話中可以有多個圖，會話的主要目的是將訓練數據添加到圖中進行計算，也可以修改圖的結構。

調用模式推薦使用with語句：

with session:
    session.run()

Variable

變量，表示圖中的各個計算參數，通過調整這些變量的狀態來優化機器學習算法。創建變量應使用tf.Variable()，通過輸入一個張量，返回一個變量，變量聲明后需進行初始化才能使用。

舉例說明：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()

tensor = tf.ones([1, 3])
test_var = tf.Variable(tensor)
# 初始化變量
init_op = tf.compat.v1.global_variables_initializer()
session = tf.compat.v1.Session()
with session:
    print("tensor is ", session.run(tensor))
    # print("test_var is ", session.run(test_var))
    session.run(init_op)
    print("after init, test_var is", session.run(test_var))

Placeholder

占位符，用於表示輸入輸出數據的格式，聲明了數據位置，允許傳入指定類型和形狀的數據，通過會話中的feed_dict參數獲取數據，在計算圖運行時使用獲取的數據進行計算，計算完畢后獲取的數據就會消失。

舉例說明：

x = tf.compat.v1.placeholder(tf.int32)
y = tf.compat.v1.placeholder(tf.int32)
z = tf.add(x, y)
session = tf.compat.v1.Session()
with session:
    print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

Operation

操作，是圖中的節點，輸入輸出都是Tensor，作用是完成各種操作，包括：

1. 數學運算：add, sub, mul, div, exp ...
2. 數組運算：concat, slice, split, rank ...
3. 矩陣運算：matmul, matrixinverse ...
4. 神經網絡構建：softmax, sigmoid, relu ...
5. 檢查點：save, restore ...
6. 隊列和同步：enqueue, dequeue, mutexacquire, mutexrelease ...
7. 張量控制：merge, switch, enter, leave ...

Queue

隊列，圖中有狀態的節點。包含入列（endqueue）和出列（dequeue）兩個操作，入列返回計算圖中的一個操作節點，出列返回一個tensor值。

其中，隊列有兩種：

1. FIFOQueue

按入列順序出列的隊列，在需要讀入的訓練樣本有序時使用。舉個例子：

fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')
init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(fifo_queue.size())
    for item in range(queue_size):
        print('fifo_queue', session.run(fifo_queue.dequeue()))

2. RandomShuffleQueue

以隨機順序出列的隊列，讀入的訓練樣本無序時使用。舉個例子：

rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')
init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(rs_queue.size())
    for i in range(queue_size):
        print('rs_queue', session.run(rs_queue.dequeue()))

代碼參考：my github

以上。