TensorFlow完整程序詳解——構建並運行數據流圖

作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/

所用版本：python3.5.2，tensorflow1.8.0，tensorboard1.8.0

# 通過綜合運用之前提過的所有組件——張量對象、Graph對象、Op、Variable對象、占位符、Session對象以及名稱作用域的練習來結束TensorFlow的學習

# 導入tensorflow庫

import tensorflow as tf

# 顯示構建一個Graph對象並加以使用

graph = tf.Graph()

# 將上述新Graph對象設為默認Graph對象

with graph.as_default():
    # 名稱作用域
    with tf.name_scope("variables"):
        # 記錄數據流圖運行次數的Variable對象
        # 初始值為0，數據類型int32，不允許Variable對象使用Optimizer類，而是手工修改，該對象起名為global_step
        global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")
        # 追蹤該模型的所有輸出隨時間的累加和的Variable對象
        total_output = tf.Variable(0.0, dtype=tf.float32, name="total_output")
    # 創建模型的核心變換部分
    with tf.name_scope("transformation"):
        # 獨立的輸入層
        with tf.name_scope("input"):
            # 創建輸出占位符，用於接收一個向量
            a = tf.placeholder(tf.float32, shape=[None], name="input_a")
        # 獨立的中間層
        with tf.name_scope("intermediate_layer"):
            b = tf.reduce_prod(a, name="product_b")
            c = tf.reduce_sum(a, name="sum_c")
        # 獨立的輸出層
        with tf.name_scope("output"):
            output = tf.add(b, c, name="output")
    # 創建更新模型
    with tf.name_scope("update"):
        # 用罪行的輸出更新Variable對象total_output
        update_total = total_output.assign_add(output)
        # 將前面的Variable對象global_step增加1，只要數據流圖運行，該操作會在此基礎上自動增1
        increment_step = global_step.assign_add(1)
    # 創建匯總數據模型
    with tf.name_scope("summary"):
        avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")
        # 為輸出節點創建匯總數據
        tf.summary.scalar('Output', output)
        tf.summary.scalar('Sum_of_outputs_over_time', update_total)
        tf.summary.scalar('Average_of_outputs_over_time', avg)
    # 為完成數據流圖的構建，需要創建Variable對象初始化Op和用於將所有匯總數據組織到一個Op的輔助節點
    with tf.name_scope("global_ops"):
        # 初始化Op
        init = tf.global_variables_initializer()
        # 將所有匯總數據合並到一個Op中
        merged_summary = tf.summary.merge_all()

# 創建會話

sess = tf.Session(graph=graph)

# 將圖寫入本地文件夾中

writer = tf.summary.FileWriter("./logs/end", graph)

# 初始化Variable對象

sess.run(init)

# 創建輔助函數，將輸入向量傳給該函數，運行數據流圖，並將匯總數據保存下來，以便之后無需反復輸入相同代碼

def run_graph(input_tensor):
    # 可重寫之前的數據流圖中a的值
    output, summary, step = sess.run([update_total, merged_summary, increment_step], feed_dict={a: input_tensor})
    writer.add_summary(summary, global_step=step)

# 用不同的輸入運行該數據流圖
run_graph([2, 8])
run_graph([3, 1, 3, 3])
run_graph([8])
run_graph([1, 2, 3])
run_graph([11, 4])
run_graph([4, 1])
run_graph([7, 3, 1])
run_graph([6, 3])
run_graph([0, 2])
run_graph([4, 5, 6])

# 將匯總數據寫入磁盤

writer.flush()

# 關閉SummaryWriter對象

writer.close()

# 關閉Session會話

sess.close()

打開Anaconda Prompt
(base) C:\Users\hp>activate tensorflow
(tensorflow) C:\Users\hp>cd..
(tensorflow) C:\Users>D:
(tensorflow) D:>cd ./Python code
(tensorflow) D:\Python code>tensorboard --logdir=./logs/end
在瀏覽器輸入http://HP:6006 或者http://localhost:6006 即可看到對應的數據流圖。

從圖中可以看到，我們的變換運算流入transformation方框，后者又同時為summary與variables名稱作用域提供輸入，global_ops名稱作用域中包含了一些對於主要的變換計算並不十分重要的運算。

將各個方框展開，可以更細粒度的觀察它們的結構。可以看到transformation中輸入層、中間層與輸出層是彼此分離的。

當切換到Scalars頁面之后，看到三個依據我們賦予各summary.scalar對象的標簽而命名的折疊的標簽頁。

單擊任意標簽頁，都展示了不同時間點上數值的變化情況。

本練習的數據流圖：

參考文獻：人工智能原理與實踐：基於Python語言和TensorFlow / 張明，何艷珊，杜永文編著. —— 北京：人民郵電出版社，2019.8.