TensorFlow 基本用法总结   2017-09-08


tensorflow 中文文档学习 tensorflow 的基本用法。

按照文档说明,一点知识点小总结:

  1. 就是 Session() 和 InteractiveSession() 的用法。后者用 Tensor.eval() 和 Operation.run() 来替代了 Session.run(). 其中更多的是用Tensor.eval(),所有的表达式都可以看作是 Tensor.
  2. tf 表达式中所有的 var变量constant常量 都应该是 tf 的类型。
  3. 只要是声明了 var变量,就得用 sess.run(tf.global_variables_initializer()) 方法来初始化才能用。

1. 平面拟合

通过本例可以看到机器学习的一个通用过程:

  1. 准备数据
  2. 构造模型(设置求解目标函数)
  3. 求解模型
import tensorflow as tf
import numpy as np

# 1.准备数据:使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 2.构造一个线性模型
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 3.求解模型
# 设置损失函数:误差的均方差
loss = tf.reduce_mean(tf.square(y - y_data))
# 选择梯度下降的方法
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 迭代的目标:最小化损失函数
train = optimizer.minimize(loss)


############################################################
# 以下是用 tf 来解决上面的任务
# 1.初始化变量:tf 的必备步骤,主要声明了变量,就必须初始化才能用
init = tf.global_variables_initializer()


# 设置tensorflow对GPU的使用按需分配
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
# 2.启动图 (graph)
sess = tf.Session(config=config)
sess.run(init)

# 3.迭代,反复执行上面的最小化损失函数这一操作(train op),拟合平面
for step in xrange(0, 201):
sess.run(train)
if step % 20 == 0:
print step, sess.run(W), sess.run(b)

# 得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
0 [[ 0.27467242  0.81889796]] [-0.13746099]
20 [[ 0.1619305 0.39317462]] [ 0.18206716]
40 [[ 0.11901411 0.25831661]] [ 0.2642329]
60 [[ 0.10580806 0.21761954]] [ 0.28916073]
80 [[ 0.10176832 0.20532639]] [ 0.29671678]
100 [[ 0.10053726 0.20161074]] [ 0.29900584]
120 [[ 0.100163 0.20048723]] [ 0.29969904]
140 [[ 0.10004941 0.20014738]] [ 0.29990891]
160 [[ 0.10001497 0.20004457]] [ 0.29997244]
180 [[ 0.10000452 0.20001349]] [ 0.29999167]
200 [[ 0.10000138 0.2000041 ]] [ 0.29999748]

2. 两个数求和

input1 = tf.constant(2.0)
input2 = tf.constant(3.0)
input3 = tf.constant(5.0)

intermd = tf.add(input1, input2)
mul = tf.multiply(input2, input3)

with tf.Session() as sess:
result = sess.run([mul, intermd]) # 一次执行多个op
print(result)
print(type(result))
print(type(result[0]))
[15.0, 5.0]
<class 'list'>
<class 'numpy.float32'>

3. 变量,常量

3.1 tensorflow 实现计数器

主要是设计了在循环中调用加法实现计数

# 创建变量,初始化为0
state = tf.Variable(0, name="counter")

# 创建一个 op , 其作用是时 state 增加 1
one = tf.constant(1) # 直接用 1 也就行了
new_value = tf.add(state, 1)
update = tf.assign(state, new_value)


# 启动图之后, 运行 update op
with tf.Session() as sess:
# 创建好图之后,变量必须经过‘初始化’
sess.run(tf.global_variables_initializer())
# 查看state的初始化值
print(sess.run(state))
for _ in range(3):
sess.run(update) # 这样子每一次运行state 都还是1
print(sess.run(state))

output:

0
1
2
3

3.2 用 tf 来实现对一组数求和,再计算平均

import tensorflow as tf
import numpy as np

h_sum = tf.Variable(0.0, dtype=tf.float32)
# h_vec = tf.random_normal(shape=([10]))
h_vec = tf.constant([1.0,2.0,3.0,4.0])
# 把 h_vec 的每个元素加到 h_sum 中,然后再除以 10 来计算平均值
# 待添加的数
h_add = tf.placeholder(tf.float32)
# 添加之后的值
h_new = tf.add(h_sum, h_add)
# 更新 h_new 的 op
update = tf.assign(h_sum, h_new)

with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
# 查看原始值
print('s_sum =', sess.run(h_sum))
print("vec = ", sess.run(h_vec))

# 循环添加
for _ in range(4):
sess.run(update, feed_dict={h_add: sess.run(h_vec[_])})
print('h_sum =', sess.run(h_sum))

# print 'the mean is ', sess.run(sess.run(h_sum) / 4) # 这样写 4 是错误的, 必须转为 tf 变量或者常量
print('the mean is ', sess.run(sess.run(h_sum) / tf.constant(4.0)))

3.3 只用一个变量来实现计数器

上面的计数器是 TensorFlow 官方文档的例子,但是觉得好臃肿,所以下面这个是更加简单的,只需要定义一个变量和一个 加 1 的操作(op)。通过for循环就能够实现了。

# 如果不是 assign() 重新赋值的话,每一次 sess.run()都会把 state再次初始化为 0.0
state = tf.Variable(0.0, tf.float32)
# 通过 assign 操作来改变state的值。
add_op = tf.assign(state, state+1)

sess.run(tf.global_variables_initializer())
print 'init state ', sess.run(state)
for _ in xrange(3):
sess.run(add_op)
print(sess.run(state))
init state  0.0
1.0
2.0
3.0

这样子和我们平时实现计数器的方法基本上就一致了。我们要重点理解的是, TensorFlow 中通过 tf.assign(ref, value) 的方式来把 value 值赋给 ref 变量。这样子,每一次循环的时候,ref 变量才不会再做定义时候的初始化操作。

4. InteractiveSession() 的用法

InteractiveSession() 主要是避免 Session(会话)被一个变量持有

a = tf.constant(1.0)
b = tf.constant(2.0)
c = a + b

# 下面的两种情况是等价的
with tf.Session(): # 不用 close()
print(c.eval())

sess = tf.InteractiveSession()
print(c.eval())
sess.close()

output:

3.0
3.0

4.1 InteractiveSession()、eval、init

a = tf.constant(1.0)
b = tf.constant(2.0)
c = tf.Variable(3.0)
d = a + b

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

###################
# 这样写是错误的
# print(a.run())
# print(d.run())

####################

# 这样才是正确的
print(a.eval())
print(d.eval())

# run() 方法主要用来
x = tf.Variable(1.2)
# print(x.eval()) # 还没初始化,不能用
x.initializer.run() # x.initializer 就是一个初始化的 op, op 才调用run() 方法
print(x.eval())

sess.close()

output:

1.0
3.0
1.2

4.2 使用 tf.InteractiveSession() 来完成上面 求和、平均 的操作呢?

h_sum = tf.Variable(0.0, dtype=tf.float32)
# h_vec = tf.random_normal(shape=([10]))
h_vec = tf.constant([1.0,2.0,3.0,4.0])
# 把 h_vec 的每个元素加到 h_sum 中,然后再除以 10 来计算平均值
# 待添加的数
h_add = tf.placeholder(tf.float32)
# 添加之后的值
h_new = tf.add(h_sum, h_add)
# 更新 h_new 的 op
update = tf.assign(h_sum, h_new)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

print('s_sum =', h_sum.eval())
print("vec = ", h_vec.eval())
print("vec = ", h_vec[0].eval())


for _ in range(4):
update.eval(feed_dict={h_add: h_vec[_].eval()})
print('h_sum =', h_sum.eval())
sess.close()

output:

s_sum = 0.0
vec = [ 1. 2. 3. 4.]
vec = 1.0
h_sum = 1.0
h_sum = 3.0
h_sum = 6.0
h_sum = 10.0

4.3 使用 feed 来对变量赋值

这些需要用到 feed 来赋值的操作可以通过 tf.placeholder() 说明,以创建占位符。

下面的例子中可以看出 session.run([output], …) 和 session.run(output, …) 的区别。前者输出了 output 的类型等详细信息,后者只输出简单结果。

🌰🌰1:feed

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.0], input2:[2.0]}))

output:

[array([ 14.], dtype=float32)]

🌰🌰2: input1:[7.0], input2:[2.0]

with tf.Session() as sess:
result = sess.run(output, feed_dict={input1:[7.0], input2:[2.0]})
print(type(result))
print(result)

output:

<type 'numpy.ndarray'>
[ 14.]

🌰🌰3: input1:7.0, input2:2.0

with tf.Session() as sess:
result = sess.run(output, feed_dict={input1:7.0, input2:2.0})
print(type(result))
print(result)

output:

<type 'numpy.float32'>
14.0

🌰🌰4: [output], output

with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.0, 3.0], input2:[2.0, 1.0]}))
print()
print(sess.run(output, feed_dict={input1:[7.0, 3.0], input2:[2.0, 1.0]}))

output:

[array([ 14.,   3.], dtype=float32)]

[ 14. 3.]

Reference


分享到:


  如果您觉得这篇文章对您的学习很有帮助, 请您也分享它, 让它能再次帮助到更多的需要学习的人. 您的支持将鼓励我继续创作 !
本文基于署名4.0国际许可协议发布,转载请保留本文署名和文章链接。 如您有任何授权方面的协商,请邮件联系我。

Contents

  1. 1. 平面拟合
  2. 2. 两个数求和
  3. 3. 变量,常量
    1. 3.1 tensorflow 实现计数器
    2. 3.2 用 tf 来实现对一组数求和,再计算平均
    3. 3.3 只用一个变量来实现计数器
  4. 4. InteractiveSession() 的用法
    1. 4.1 InteractiveSession()、eval、init
    2. 4.2 使用 tf.InteractiveSession() 来完成上面 求和、平均 的操作呢?
    3. 4.3 使用 feed 来对变量赋值
  5. Reference