美文网首页Tensorflow
学习笔记TF007:Tensor、Graph、Op、Variab

学习笔记TF007:Tensor、Graph、Op、Variab

作者: 利炳根 | 来源:发表于2017-05-13 14:51 被阅读123次

    输入采用占位符,模型接收任意长度向量,随时间计算数据流图所有输出总和,采用名称作用域合理划分数据流图,每次运行保存数据流图输出、累加、均值到磁盘。

    [None]代表任意长度向量,[]代表标量。update环节更新各Variable对象以及将数据传入TensorBoard汇总Op。与交换工作流分开,独立名称作用域包含Variable对象,存储输出累加和,记录数据流图运行次数。独立名称作用域包含TensorBoard汇总数据,tf.scalar_summary Op。汇总数据在Variable对象更新完成后才添加。

    构建数据流图。
    导入TensorFlow库。Graph类构造方法tf.Graph(),显式创建Graph对象。两个“全局”Variable对象,追踪模型运行次数,追踪模型所有输出累加和。与其他节点区分开,放入独立名称作用域。trainable=False设置明确指定Variable对象只能手工设置。
    模型核心的变换计算,封装到名称作用域"transformation",又划分三个子名称作用域"input"、"intermediate_layer"、"output"。.multiply、.add只能接收标量参数,.reduce_prod、. reduce_sum可以接收向量参数。
    在"update"名称作用域内更新Variable对象。.assign_add实现Variable对象递增。
    在"summaries"名称作用域内汇总数据供TensorBoard用。.cast()做数据类型转换。.summary.scalar()做标量数据汇总。
    在"global_ops"名称作用域创建全局Operation(Op)。初始化所有Variable对象。合并所有汇总数据。

    运行数据流图。
    .Session()启动Session对象,graph属性加载Graph对象,.summary.FileWriter()启动FileWriter对象,保存汇总数据。
    初始化Variable对象。
    创建运行数据流图辅助函数,传入向量,运行数据流图,保存汇总数据。创建feed_dict参数字典,以input_tensor替换a句柄的tf.placeholder节点值。使用feed_dict运行output不关心存储,运行increment_step保存到step,运行merged_summaries Op保存到summary。添加汇总数据到FileWriter对象,global_step参数随时间图示折线图横轴。
    变换向量长度多次调用运行数据流图辅助函数。.flush()把汇总数据写入磁盘。

    查看数据流图。
    Graph标签,变换运算流入update方框,为summaries、variables提供输入,global_ops包含变换计算非关键运算。输入层、中间层、输出层分离。
    Scalars标签,summary.scalar对象标签查看不同时间点汇总数据变化。

    import tensorflow as tf#导入TensorFlow库
    #构建数据流图
    graph = tf.Graph()#显式创建Graph对象
    with graph.as_default():#设为默认Graph对象
    with tf.name_scope("variables"):#创建Variable对象名称作用域
        global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")#记录数据流图运行次数的Variable对象,初值为0,数据类型为32位整型,不可自动修改,以global_step标识
        total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")#追踪模型所有输出累加和的Variable对象,初值为0.0,数据类型为32位浮点型,不可自动修改,以total_output标识
    with tf.name_scope("transformation"):#创建变换计算Op名称作用域
        with tf.name_scope("input"):#创建独立输入层名称作用域
            a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")#创建占位符,接收一个32位浮点型任意长度的向量作为输入,以input_placeholder_a标识
        with tf.name_scope("intermediate_layer"):#创建独立中间层名称作用域
            b = tf.reduce_prod(a, name="product_b")#创建创建归约乘积Op,接收张量输入,输出张量所有分量(元素)的乘积,以product_b标识
            c = tf.reduce_sum(a, name="sum_c")#创建创建归约求和Op,接收张量输入,输出张量所有分量(元素)的求和,以sum_c标识
        with tf.name_scope("output"):#创建独立输出层名称作用域
            output = tf.add(b, c, name="output")#创建创建求和Op,接收两个标量输入,输出标量求和,以output标识
    with tf.name_scope("update"):
        update_total = total_output.assign_add(output)#用最新的输出更新Variable对象total_output
        increment_step = global_step.assign_add(1)#增1更新Variable对象global_step,记录数据流图运行次数
    with tf.name_scope("summaries"):#创建数据汇总Op名称作用域
        avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")#计算平均值,输出累加和除以数据流图运行次数,把运行次数数据类型转换为32位浮点型,以average标识
        tf.summary.scalar(b'output_summary',output)#创建输出节点标量数据统计汇总,以output_summary标识
        tf.summary.scalar(b'total_summary',update_total)#创建输出累加求和标量数据统计汇总,以total_summary标识
        tf.summary.scalar(b'average_summary',avg)#创建平均值标量数据统计汇总,以average_summary标识
    with tf.name_scope("global_ops"):#创建全局Operation(Op)名称作用域
        init = tf.global_variables_initializer()#创建初始化所有Variable对象的Op
        merged_summaries = tf.summary.merge_all()#创建合并所有汇总数据的Op
    #运行数据流图
    sess = tf.Session(graph=graph)#用显式创建Graph对象启动Session会话对象
    writer = tf.summary.FileWriter('./improved_graph', graph)#启动FileWriter对象,保存汇总数据
    sess.run(init)#运行Variable对象初始化Op
    def run_graph(input_tensor):#定义数据注图运行辅助函数
        """
        辅助函数:用给定的输入张量运行数据流图,
        并保存汇总数据
        """
        feed_dict = {a: input_tensor}#创建feed_dict参数字典,以input_tensor替换a句柄的tf.placeholder节点值
        _, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)#使用feed_dict运行output不关心存储,运行increment_step保存到step,运行merged_summaries Op保存到summary
        writer.add_summary(summary, global_step=step)#添加汇总数据到FileWriter对象,global_step参数时间图示折线图横轴
    #用不同的输入用例运行数据流图
    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])
    writer.flush()#将汇总数据写入磁盘
    writer.close()#关闭FileWriter对象,释放资源
    sess.close()#关闭Session对象,释放资源
    
    WX20170513-142835@2x.png
    graph?run=-8.png
    graph?run=-9.png

    参考资料:
    《面向机器智能的TensorFlow实践》

    欢迎加我微信交流:qingxingfengzi
    我的微信公众号:qingxingfengzigz
    我老婆张幸清的微信公众号:qingqingfeifangz

    相关文章

      网友评论

        本文标题:学习笔记TF007:Tensor、Graph、Op、Variab

        本文链接:https://www.haomeiwen.com/subject/sqmxxxtx.html