Tensorflow进阶

记录，成为更好的自己

1.图

2.会话

3.张量

4.变量

5.模型保存和加载

6.自定义命令行参数

---

4. 变量

变量也是一种op，是一种特殊的张量，能够进行存储持久化，它的值就是张量

1. 变量op能够持久化保存，普通张量是不行的。如线性回归中的参数，系数就需要持久化保存。

2. 当定义一个变量op的时候，一定要在会话当中去运行初始化

1. 变量的创建

   • 创建一个带值initial_value的新变量

     tf.Variable(initial_value=None, name=None)

2. 变量的初始化

   • tf.global_variables_initializer()

# 变量op
a = tf.constant([1,2,3,4,5])
var = tf.Variable(tf.random_normal([2,3],mean=0.0,stddev=1.0))
print(a, var)
# 必须做初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
    # 必须运行初始化op
    sess.run(init_op)
    print(sess.run([a, var]))

3. 变量的作用域

• 作用：

  让模型代码更加清晰，作用分明

• tf.variable_scope(<scope_name>)创建指定名字的变量作用域

---

可视化学习Tensorboard

• 数据序列化
  • events文件
  • tensorboard通过读取TensorFlow的事件文件来运行
• tf.summary.FileWriter('文件路径', graph=)
  返回filewriter，写入事件文件到指定目录（最好用绝对路劲），以提供给tensorboard使用
• 开启tensorboard
  --logdir='文件路径'
  一般浏览器打开为127.0.0.1:6006
  注意：修改程序后，再保存一遍会有新的事件文件，打开默认为最新的。

with tf.Session() as sess:
    # 把程序的图结构写入事件文件,graph:把指定的图写入事件中
    filewriter = tf.summary.FileWriter('./summary/test', graph=sess.graph)

---

增加变量显示

目的：观察模型的参数，损失值等变量值的变化

1. 收集变量

   • tf.summary.scalar(name="",tensor)收集对于损失函数和准确率等单值变量。

     name为变量的名字，tensor为收集哪一个tensor

   • tf.summary.histogram(name="", tensor)收集高维度的变量参数

   • tf.summary.image(name="",tensor)收集输入的图片张量能显示图片

2. 合并变量写入事件文件
   • merged=tf.summary.merge_all()
   • 运行合并：summary=sess.run(merged)每次迭代都需运行
   • 添加：FileWriter.add_summary(summary, i)i表示第几次的值

5. 模型保存和加载

保存的就是变量
保存模型的文件：checkpoint文件 检查点文件

• tf.train.Saver(var_list=None,max_to_keep=5)
  • var_list:指定将要保存和还原的变量。它可以作为一个dict或者一个列表传递。
  • max_to_keep:指定要保留的最近检查点文件的最大数量。创建新文件时，会删除较旧的文件。如果无或0，则保留所有检查点文件。默认为5。（保留最新的5个检查点文件。）

6. 自定义命令行参数

1. 首先定义有哪些参数需要在运行时候指定
2. 程序当中获取定义命令行参数

import tensorflow as tf
# 获取命令行参数名字
FLAGS = tf.app.flags.FLAGS

# 第一个参数：名字，默认值，说明
tf.app.flags.DEFINE_integer("max_step", 100, "模型训练的步数")
tf.app.flags.DEFINE_string("model_dir", "./ckpt/model", "模型文件的加载路径")

# 调用
print(FLAGS.max_step)
print(FLAGS.model_dir)