文章目錄

• • • TensorFlow計算模型---計算圖
    • • 計算圖的使用
      • TensorFlow數據模型---張量
    • TensorFlow運算模型---會話
    • • 使用tf.InteractiveSession在交互式環境直接構建默認會話
      • 通過ConfigProto配置會話
    • 小結

TensorFlow計算模型—計算圖

在TensorFlow有連個重要的概念，Tensor和Flow。
Tensor就是張量，張量可以被簡單理解為多維數組，也就是矩陣。它代表著TensorFlow的數據結構。
Flow意思是“流”，它直觀表達了張量之間通過計算相互轉換的過程。

TensorFlow是一個通過計算圖的形式來表述計算的編程系統。TensorFlow中的每個計算都是計算圖上的一個節點，而節點之間的邊描述了計算機之間的依賴關系。
兩個向量相加樣例的計算圖。

計算圖的使用

TensorFlow程序一般可以分為兩個階段：第一階段定義計算圖中的所有的計算；第二階段執行計算。
下面代碼為第一階段，定義計算

# 引入tensorflow，并取別名為tf import tensorflow as tf# 定義張量a，名字為a，內容為[1.0,2.0]的向量 a = tf.constant([1.0, 2.0], name="a") #1 b = tf.constant([1.0, 2.0], name="b")result = a + b

TensorFlow會自動將計算轉化為計算圖上的節點。在TensorFlow程序中，系統會自動維護一個默認的計算圖，通過tf.get_default_graph()函數獲取當前默認的計算圖。

除了默認的計算圖，TensorFlow支持通過tf.Graph函數生成新的計算圖。不同的計算圖上的張量和計算不會共享。

計算圖只描述計算過程，不進行計算。

TensorFlow數據模型—張量

在TensorFlow中，所有的數據都是通過張量的形式來表示。在功能角度來看，張量可以被理解為多維數組。其中零階張量表示表示標量，也及時一個數。一階張量為向量，即一維數組。n階張量可以理解為一個n維數組。但是張量在TensorFlow中實現并不直接采用數組的形式，它只是對TensorFlow中運算結果的引用。

從代碼可以看出，TensorFlow計算結果不是一個具體的數字，而是一個張量的結構。其中最主要有三個屬性：名字（name），維度（shape）和類型（type）。
張量的第一個屬性名字不僅是一個張量的唯一標識符，也給出了這個張量是如何被計算出來的。因為計算圖上的每個節點代表了一個計算，計算的結果偶就保存在張量之中，所以張量和計算圖上的計算結果是對應的。這樣張量的命名就可以通過“node:src_output”的形式來給出。其中node為節點名稱，src_output為當前張量來自節點的第幾個輸出。比如"add:0"表示張量result是計算節點add輸出的第一個結果。
第二個屬性，表明了張量的維度（shape），如shape=(2,)表示張量result是一個一維數組，長度為2.
第三個屬性，類型（type），每個張量會有一個唯一的類型。TensorFlow會對參與運算的所有張量進行檢查，張量類型不匹配會報錯。

對于張量的類型，可以在創建時指定，比如，c = tf.constant([1, 2], name="c",dtype=tf.float32)
不指定，TensorFlow會給出默認的類型，不帶小數點會默認為int32，帶小數點默認為float32。

TensorFlow支持的14中類型

• 實數（tf.float32，tf.float64）
• 整數（tf.int8，tf.int16，tf.int32，tf.int64，tf.uint8）
• 布爾型（tf.bool）
• 復數（tf.complex64，tf.complex128）

TensorFlow運算模型—會話

會話擁有并管理TensorFlow程序運行時所有的資源。所有就算完成后需要關閉會話來幫助系統回收資源，否則會出現資源泄漏的問題。TensorFlow有兩種模式：

sess = tf.Session() sess.run() sess.close()

使用這種模式時，在所有的計算完成后，需要明確調用Session.close()函數來關閉會話并釋放資源。然而，當程序因為異常退出時，關閉會話的函數可能就不會被執行從而導致資源泄漏。
為了解決程序因異常退出導致資源釋放的問題。TensorFlow可以通過Python的上下文管理器來使用會話。代碼如下：

# 創建一個會話，并通過Python中的上下文管理器來管理這個會話 with tf.Session() as sess:# 使用創建好的會話來計算結果sess.run() # 當上下文退出時會話關閉和資源釋放也自動完成了

這樣既避免了因為異常退出時資源釋放的問題，同時也解決了忘記調用Session.close()而導致資源泄漏的問題。

前面提到了過tensorflow會生成一個默認的計算圖，如果沒有特殊指定，運算會自動加入到這個計算圖中。同樣TensorFlow的會話也有類似的機制。但他不會生成默認的會話，而是需要手動指定。當默認的會話被指定后，可以通過tf.Tensor.eval()函數來計算一個張量的取值，代碼如下：

# 引入tensorflow，并取別名為tf import tensorflow as tf# 定義張量a，名字為a，內容為[1.0,2.0]的向量 a = tf.constant([1.0, 2.0], name="a") #1 b = tf.constant([1.0, 2.0], name="b")result = a + bsess = tf.Session() # 將產生的會話注冊為默認的會話 with sess.as_default():print(result.eval())

結果如下

可以看出，其本質為矩陣的加法運算。

另一種實現：

# 引入tensorflow，并取別名為tf import tensorflow as tf# 定義張量a，名字為a，內容為[1.0,2.0]的向量 a = tf.constant([1.0, 2.0], name="a") #1 b = tf.constant([1.0, 2.0], name="b")result = a + bsess = tf.Session() # 下面兩個代碼有相同的功能 print(sess.run(result)) print(result.eval(session=sess))

使用tf.InteractiveSession在交互式環境直接構建默認會話

import tensorflow as tf a = tf.constant([1.0, 2.0], name="a") b = tf.constant([1.0, 2.0], name="b") result = a + b sess = tf.InteractiveSession() print(result.eval()) [2. 4.] sess.close()

通過tf.InteractiveSession()可以省去將產生的會話注冊為默認會話的過程。
無論是哪個，都可以通過ConfigProto Protocol Buffer來配置需要生成的會話。

通過ConfigProto配置會話

config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)sess1 = tf.InteractiveSession(config=config) sess2 = tf.Session()

對于ConfigProto()，他可以配置類似并行的線程數、GPU分配策略、運算超時時間等參數。最常用的參數有兩個：allow_soft_placement和log_device_placement

參數默認值含義

allow_soft_placement	False	為True時，表示運算在GPU上執行
log_device_placement	Flase	True時，日志將會記錄每個節點被安排到哪個設備上以方便調試

對于allow_soft_placement，當它為True時,一下三種情況，GPU運算都會放在CPU上運行

• 運算無法再GPU上運行
• 沒有GPU資源
• 運算輸入包含了對CPU計算結果的引用(就是需要CPU運算的結果)

小結

基于上面的代碼情景，畫出如下圖形：
對于TensorFlow中的張量、計算圖和會話。個人看法如下圖：

計算圖是我們設計好的算法，張量是存放計算的數據的。但是，此時算法并沒有運行起來。
等到計算圖定義好了后，再將計算圖放在會話中跑起來。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的TensorFlow学习笔记之一（TensorFlow基本介绍）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。