当前位置 主页 > 网站技术 > 代码类 >

    tensorflow的计算图总结

    栏目:代码类 时间:2020-01-12 15:10

    计算图

    在 TensorFlow 中用计算图来表示计算任务。 计算图,是一种有向图,用来定义计算的结构,实际上就是一系列的函数的组合。 用图的方式,用户通过用一些简单的容易理解的数学函数组件,就可以建立一个复杂的运算

    在 TensorFlow 使用图,分为两步:建立计算图 和 执行图

    图,在形式上由结点 Nodes 和边 Edges 组成。 - Nodes,用圆圈表示,代表一些对数据进行的计算或者操作(Operation)。 - Edges,用箭头表示,是操作之间传递的实际值(Tensor)

    建立图

    graph = tf.Graph()

    访问上下文管理器

    with graph.as_default(): 

    用 with 表示我们用 context manager 告诉 TensorFlow 我们要向某个具体的 graph 添加 Op 了

    执行图图必须在会话(Session)里被启动,会话(Session)将图的 op 分发到 CPU 或 GPU 之类的设备上,同时提供执行 op 的方法,这些方法执行后,将产生的张量(tensor)返回

    ## 开启session

    sess = tf.Session()`

    一旦开启了 Session,就可以用 run() 来计算想要的 Tensor 的值

    用完会话,记得关掉

    sess.close()

    Fetches

    fetches是session.run()的一个参数,它可以接收任何一个我们想要执行的op或者Tensor,或者他们对应的list结构。

    如果是tensor,那么session.run()输出的就是一个Numpy 数组 如果是Op,那么session.run()输出的就是None

    比如:sess.run(b)就是告诉Session要把计算b所需要的结点都找到按顺序执行并且输出结果。

    全局变量初始化

    tf.global_variables_initializer()

    表示将所有定义的Variable变量都准备好,以便于后续使用,这个Op也可以传给给session.run.比如:

    init = tf.global_variables_initializer()
    …
    sess.run(init)
    
    

    张量Tensor和OP

    在tensorflow中使用tensor来表示所有的数据结构,计算图中操作Op结点之间传递的都是Tensor

    定义tensor时可以直接使用numpy传递给Op结点,因为tensorflow的Op可以将python的数据类型转化为tensor包括numbers,booleans,strings或者list。 图中的任何结点都叫做Operation简称:Op 每个Op的输出会被传递到其他Op或者sess.run()

    Variable

    Variable,变量是维护图执行过程中的状态信息的,需要它来保持和更新参数数值,是需要动态调整的。

    Tensor 和Operation都是一成不变的,而Variable是可以随着时间改变的 Variables可以用在任何使用tensor的Op中,它当前的值就会被传递给使用它的Op Variable通常的初始值是一些很大的0,1或者随机值tensor,或者内置op:tf.zeros(),tf.ones()等 Variable在graph中,状态由session管理,也是在session中进行初始化,session可以追踪variable的当前值是多少。 session可以只初始化一部分variable 使用tf.variables_initializer,传入初始化变量列表 variable的值是可以被改变的 比如使用variable.assign(variable),或者variable.assign_add(1) 每个session维护独立的variable变量值,同一个variable不同的session值可以是不同的。 当各种Optimizer优化器训练机器学习模型时,variable就会随之改变,当使用variable中的trainable=False属性可以不被Optimizer改变。

    name_scopes