Tensorflow基础入门十大操作总结
↑↑↑关注后”
星标
“Datawhale
每日干货 &
每月组队学习
，不错过
Datawhale干货
作者：李祖贤， Datawhale高校群成员，深圳大学
TensorFlow 是一个开源的、基于 Python 的机器学习框架，它由 Google 开发，提供了 Python，C/C++、Java、Go、R 等多种编程语言的接口，
并
在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架。
但不
少小伙伴跟我吐苦水说 T
ensorflow的应用太乱了，感觉学的云里雾里，
能不能搞个Tensorflow的教程呀。
今天，就和大家一起梳理下TensorFlow的十大基础操作。详情如下：
一、Tensorflow的排序与张量
Tensorflow允许用户把张量操作和功能定义为计算图。张量是通用的数学符号，代表保存数据值的多维列阵，张量的维数称为阶。
引用相关的库
import tensorflow as tf import numpy as np
获取张量的阶（从下面例子看到tf的计算过程）
# 获取张量的阶（从下面例子看到tf的计算过程） g = tf.Graph() # 定义一个计算图 with g.as_default(): ## 定义张量t1,t2,t3 t1 = tf.constant(np.pi) t2 = tf.constant([1,2,3,4]) t3 = tf.constant([[1,2],[3,4]]) ## 获取张量的阶 r1 = tf.rank(t1) r2 = tf.rank(t2) r3 = tf.rank(t3) ## 获取他们的shapes s1 = t1.get_shape() s2 = t2.get_shape() s3 = t3.get_shape() print("shapes:",s1,s2,s3) # 启动前面定义的图来进行下一步操作 with tf.Session(graph=g) as sess: print("Ranks:",r1.eval(),r2.eval(),r3.eval())
二、Tensorflow 计算图
Tensorflow 的核心在于构建计算图，并用计算图推导从输入到输出的所有张量之间的关系。
假设有0阶张量a,b,c，要评估
，可以表示为下图所示的计算图：
可以看到，计算图就是一个节点网络，每个节点就像是一个操作，将函数应用到输入张量，然后返回0个或者更多个张量作为张量作为输出。
在Tensorflow编制计算图步骤如下：
1. 初始化一个空的计算图
2. 为该计算图加入节点（张量和操作）
3. 执行计算图：
a.开始一个新的会话
b.初始化图中的变量
c.运行会话中的计算图
# 初始化一个空的计算图 g = tf.Graph()
# 为该计算图加入节点（张量和操作） with g.as_default(): a = tf.constant(1,name="a") b = tf.constant(2,name="b") c = tf.constant(3,name="c") z = 2*(a-b)+c # 执行计算图 ## 通过调用tf.Session产生会话对象，该调用可以接受一个图为参数（这里是g），否则将启动默认的空图 ## 执行张量操作的用sess.run(),他将返回大小均匀的列表 with tf.Session(graph=g) as sess: print('2*(a-b)+c =>',sess.run(z))
2*(a-b)+c => 1
三、Tensorflow中的占位符
Tensorflow有提供数据的特别机制。其中一种机制就是使用占位符，他们是一些预先定义好类型和形状的张量。
通过调用tf.placeholder函数把这些张量加入计算图中，而且他们不包括任何数据。然而一旦执行图中的特定节点就需要提供数据阵列。
3.1 定义占位符
g = tf.Graph()
with g.as_default(): tf_a = tf.placeholder(tf.int32,shape=(),name="tf_a") # shape=[]就是定义0阶张量,更高阶张量可以用【n1,n2,n3】表示，如shape=（3,4,5） tf_b = tf.placeholder(tf.int32,shape=(),name="tf_b") tf_c = tf.placeholder(tf.int32,shape=(),name="tf_c") r1 = tf_a - tf_b r2 = 2*r1 z = r2 + tf_c
3.2 为占位符提供数据
当在图中处理节点的时候，需要产生python字典来为占位符来提供数据阵列。
with tf.Session(graph=g) as sess: feed = { tf_a:1, tf_b:2, tf_c:3 } print('z:',sess.run(z,feed_dict=feed))
z: 1
3.3 用batch_sizes为数据阵列定义占位符
在研发神经网络模型的时候，有时会碰到大小规模不一致的小批量数据。占位符的一个功能是把大小无法确定的维度定义为None。
g = tf.Graph()
with g.as_default(): tf_x = tf.placeholder(tf.float32,shape=(None,2),name="tf_x") x_mean = tf.reduce_mean(tf_x,axis=0,name="mean") np.random.seed(123) with tf.Session(graph=g) as sess: x1 = np.random.uniform(low=0,high=1,size=(5,2)) print("Feeding data with shape",x1.shape) print("Result:",sess.run(x_mean,feed_dict={tf_x:x1})) x2 = np.random.uniform(low=0,high=1,size=(10,2)) print("Feeding data with shape",x2.shape) print("Result:",sess.run(x_mean,feed_dict={tf_x:x2}))
四、Tensorflow 的变量
就Tensorflow而言，变量是一种特殊类型的张量对象，他允许我们在训练模型阶段，在tensorflow会话中储存和更新模型的参数。
4.1 定义变量
- 方式1：tf.Variable() 是为新变量创建对象并将其添加到计算图的类。
-
方式2：tf.get_variable()是假设某个变量名在计算图中，可以复用给定变量名的现有值或者不存在则创建新的变量，因此变量名的name非常重要！
无论采用哪种变量定义方式，直到调用tf.Session启动计算图并且在会话中具体运行了初始化操作后才设置初始值。事实上，只有初始化Tensorflow的变量之后才会为计算图分配内存。
g1 = tf.Graph()
with g1.as_default(): w = tf.Variable(np.array([[1,2,3,4],[5,6,7,8]]),name="w") print(w)
4.2 初始化变量
由于变量是直到调用tf.Session启动计算图并且在会话中具体运行了初始化操作后才设置初始值，只有初始化Tensorflow的变量之后才会为计算图分配内存。因此这个初始化的过程十分重要，这个初始化过程包括：为 相关张量分配内存空间并为其赋予初始值。
初始化方式：
- 方式1.tf.global_variables_initializer函数，返回初始化所有计算图中现存的变量，要注意的是：定义变量一定要造初始化之前，不然会报错！！！
- 方式2：将tf.global_variables_initializer函数储存在init_op（名字不唯一，自己定）对象内，然后用sess.run出来
with tf.Session(graph=g1) as sess: sess.run(tf.global_variables_initializer()) print(sess.run(w))
# 我们来比较定义变量与初始化顺序的关系 g2 = tf.Graph()
with g2.as_default(): w1 = tf.Variable(1,name="w1") init_op = tf.global_variables_initializer() w2 = tf.Variable(2,name="w2") with tf.Session(graph=g2) as sess: sess.run(init_op) print("w1:",sess.run(w1))
w1: 1
with tf.Session(graph=g2) as sess: sess.run(init_op) print("w2:",sess.run(w2))
4.3 变量范围
变量范围是一个重要的概念，对建设大型神经网络计算图特别有用。
可以把变量的域划分为独立的子部分。在创建变量时，该域内创建的操作与张量的名字都以域名为前缀，而且这些域可以嵌套。
g = tf.Graph()
with g.as_default(): with tf.variable_scope("net_A"): #定义一个域net_A with tf.variable_scope("layer-1"): # 在域net_A下再定义一个域layer-1 w1 = tf.Variable(tf.random_normal(shape=(10,4)),name="weights") # 该变量定义在net_A/layer-1域下 with tf.variable_scope("layer-2"): w2 = tf.Variable(tf.random_normal(shape=(20,10)),name="weights") with tf.variable_scope("net_B"): # 定义一个域net_B with tf.variable_scope("layer-2"): w3 = tf.Variable(tf.random_normal(shape=(10,4)),name="weights") print(w1) print(w2) print(w3)
五、建立回归模型
我们需要定义的变量：
- 1.输入x：占位符tf_x
- 2.输入y：占位符tf_y
- 3.模型参数w：定义为变量weight
- 4.模型参数b：定义为变量bias
- 5.模型输出 ̂ y^：有操作计算得到
import tensorflow as tf import numpy as np import matplotlib.pyplot as plt %matplotlib inline
g = tf.Graph()
# 定义计算图 with g.as_default(): tf.set_random_seed(123) ## placeholder tf_x = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_x") tf_y = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_y") ## define the variable (model parameters) weight = tf.Variable(tf.random_normal(shape=(1,1),stddev=0.25),name="weight") bias = tf.Variable(0.0,name="bias") ## build the model y_hat = tf.add(weight*tf_x,bias,name="y_hat") ## compute the cost cost = tf.reduce_mean(tf.square(tf_y-y_hat),name="cost") ## train the model optim = tf.train.GradientDescentOptimizer(learning_rate=0.001) train_op = optim.minimize(cost,name="train_op")
# 创建会话启动计算图并训练模型 ## create a random toy dataset for regression np.random.seed(0) def make_random_data(): x = np.random.uniform(low=-2,high=4,size=100) y = [] for t in x: r = np.random.normal(loc=0.0,scale=(0.5 + t*t/3),size=None) y.append(r) return x,1.726*x-0.84+np.array(y)
x,y = make_random_data()
plt.plot(x,y,'o') plt.show()
## train/test splits x_train,y_train = x[:100],y[:100] x_test,y_test = x[100:],y[100:]
n_epochs = 500 train_costs = [] with tf.Session(graph=g) as sess: sess.run(tf.global_variables_initializer()) ## train the model for n_epochs for e in range(n_epochs): c,_ = sess.run([cost,train_op],feed_dict={tf_x:x_train,tf_y:y_train}) train_costs.append(c) if not e % 50: print("Epoch %4d: %.4f"%(e,c)) plt.plot(train_costs) plt.show()
六、在Tensorflow计算图中用张量名执行对象
只需要把
sess.run([cost,train_op],feed_dict={tf_x:x_train,tf_y:y_train})
改为
sess.run(['cost:0','train_op:0'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train})
注意：
只有张量名才有：0后缀，操作是没有：0后缀的，例如train_op并没有train_op：0
## train/test splits x_train,y_train = x[:100],y[:100] x_test,y_test = x[100:],y[100:]
n_epochs = 500 train_costs = [] with tf.Session(graph=g) as sess: sess.run(tf.global_variables_initializer()) ## train the model for n_epochs for e in range(n_epochs): c,_ = sess.run(['cost:0','train_op'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train}) train_costs.append(c) if not e % 50: print("Epoch %4d: %.4f"%(e,c))
七、在Tensorflow中储存和恢复模型
神经网络训练可能需要几天几周的时间，因此我们需要把训练出来的模型储存下来供下次使用。
储存的方法是在定义计算图的时候加入：saver = tf.train.Saver()，并且在训练后输入saver.save(sess,’./trained-model’)
g = tf.Graph()
# 定义计算图 with g.as_default(): tf.set_random_seed(123) ## placeholder tf_x = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_x") tf_y = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_y") ## define the variable (model parameters) weight = tf.Variable(tf.random_normal(shape=(1,1),stddev=0.25),name="weight") bias = tf.Variable(0.0,name="bias") ## build the model y_hat = tf.add(weight*tf_x,bias,name="y_hat") ## compute the cost cost = tf.reduce_mean(tf.square(tf_y-y_hat),name="cost") ## train the model optim = tf.train.GradientDescentOptimizer(learning_rate=0.001) train_op = optim.minimize(cost,name="train_op") saver = tf.train.Saver() # 创建会话启动计算图并训练模型 ## create a random toy dataset for regression np.random.seed(0) def make_random_data(): x = np.random.uniform(low=-2,high=4,size=100) y = [] for t in x: r = np.random.normal(loc=0.0,scale=(0.5 + t*t/3),size=None) y.append(r) return x,1.726*x-0.84+np.array(y)
x,y = make_random_data()
plt.plot(x,y,'o') plt.show()
## train/test splits x_train,y_train = x[:100],y[:100] x_test,y_test = x[100:],y[100:]
n_epochs = 500 train_costs = [] with tf.Session(graph=g) as sess: sess.run(tf.global_variables_initializer()) ## train the model for n_epochs for e in range(n_epochs): c,_ = sess.run(['cost:0','train_op'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train}) train_costs.append(c) if not e % 50: print("Epoch %4d: %.4f"%(e,c)) saver.save(sess,'C:/Users/Leo/Desktop/trained-model/')
# 加载保存的模型g2 = tf.Graph() with tf.Session(graph=g2) as sess: new_saver = tf.train.import_meta_graph("C:/Users/Leo/Desktop/trained-model/.meta") new_saver.restore(sess,'C:/Users/Leo/Desktop/trained-model/') y_pred = sess.run('y_hat:0',feed_dict={'tf_x:0':x_test})
## 可视化模型 x_arr = np.arange(-2,4,0.1) g2 = tf.Graph() with tf.Session(graph=g2) as sess: new_saver = tf.train.import_meta_graph("C:/Users/Leo/Desktop/trained-model/.meta") new_saver.restore(sess,'C:/Users/Leo/Desktop/trained-model/') y_arr = sess.run('y_hat:0',feed_dict={'tf_x:0':x_arr}) plt.figure() plt.plot(x_train,y_train,'bo') plt.plot(x_test,y_test,'bo',alpha=0.3) plt.plot(x_arr,y_arr.T[:,0],'-r',lw=3) plt.show()
八、把张量转换成多维数据阵列
8.1 获得张量的形状
在numpy中我们可以用arr.shape来获得Numpy阵列的形状，而在Tensorflow中则用tf.get_shape函数完成：
注意：在tf.get_shape函数的结果是不可以索引的，需要用as.list()换成列表才能索引。
g = tf.Graph()
with g.as_default(): arr = np.array([[1.,2.,3.,3.5],[4.,5.,6.,6.5],[7.,8.,9.,9.5]]) T1 = tf.constant(arr,name="T1") print(T1) s = T1.get_shape() print("Shape of T1 is ",s) T2 = tf.Variable(tf.random_normal(shape=s)) print(T2) T3 = tf.Variable(tf.random_normal(shape=(s.as_list()[0],))) print(T3)
8.2 改变张量的形状
现在来看看Tensorflow如何改变张量的形状，在Numpy可以用np.reshape或arr.reshape，在一维的时候可以用-1来自动计算最后的维度。在Tensorflow内调用tf.reshape
with g.as_default(): T4 = tf.reshape(T1,shape=[1,1,-1],name="T4") print(T4) T5 = tf.reshape(T1,shape=[1,3,-1],name="T5") print(T5)
with tf.Session(graph=g) as sess: print(sess.run(T4)) print() print(sess.run(T5))
8.3 将张量分裂为张量列表
with g.as_default(): tf_splt = tf.split(T5,num_or_size_splits=2,axis=2,name="T8") print(tf_splt)
8.4 张量的拼接
g = tf.Graph()
with g.as_default(): t1 = tf.ones(shape=(5,1),dtype=tf.float32,name="t1") t2 = tf.zeros(shape=(5,1),dtype=tf.float32,name="t2") print(t1) print(t2)
with g.as_default(): t3 = tf.concat([t1,t2],axis=0,name="t3") print(t3) t4 = tf.concat([t1,t2],axis=1,name="t4") print(t4)
with tf.Session(graph=g) as sess: print(t3.eval()) print() print(t4.eval())
with tf.Session(graph=g) as sess: print(sess.run(t3)) print() print(sess.run(t4))
九、利用控制流构图
这里主要讨论在Tensorflow执行像python一样的if语句，循环while语句，if…else..语句等。
9.1 条件语句
tf.cond()语句
我们来试试：
x,y = 1.0,2.0
g = tf.Graph()
with g.as_default(): tf_x = tf.placeholder(dtype=tf.float32,shape=None,name="tf_x") tf_y = tf.placeholder(dtype=tf.float32,shape=None,name="tf_y") res = tf.cond(tf_x<tf_y,lambda: tf.add(tf_x,tf_y,name="result_add"),lambda: tf.subtract(tf_x,tf_y,name="result_sub")) print("Object:",res) #对象被命名为"cond/Merge:0" with tf.Session(graph=g) as sess: print("x Result:"%(x<y),res.eval(feed_dict={"tf_x:0":x,"tf_y:0":y})) x,y = 2.0,1.0 print("x Result:"%(x<y),res.eval(feed_dict={"tf_x:0":x,"tf_y:0":y}))
9.2 执行python的if…else语句
tf.case()
f1 = lambda: tf.constant(1) f2 = lambda: tf.constant(0) result = tf.case([(tf.less(x,y),f1)],default=f2) print(result)
9.3 执行python的while语句
tf.while_loop()
i = tf.constant(0) threshold = 100 c = lambda i: tf.less(i,100) b = lambda i: tf.add(i,1) r = tf.while_loop(cond=c,body=b,loop_vars=[i]) print(r)
十、用TensorBoard可视化图
TensorBoard是Tensorflow一个非常好的工具，它负责可视化和模型学习。可视化允许我们看到节点之间的连接，探索它们之间的依赖关系，并且在需要的时候进行模型调试。
def build_classifier(data, labels, n_classes=2): data_shape = data.get_shape().as_list() weights = tf.get_variable(name='weights', shape=(data_shape[1], n_classes), dtype=tf.float32) bias = tf.get_variable(name='bias', initializer=tf.zeros(shape=n_classes)) print(weights) print(bias) logits = tf.add(tf.matmul(data, weights), bias, name='logits') print(logits) return logits, tf.nn.softmax(logits)
def build_generator(data, n_hidden): data_shape = data.get_shape().as_list() w1 = tf.Variable( tf.random_normal(shape=(data_shape[1], n_hidden)), name='w1') b1 = tf.Variable(tf.zeros(shape=n_hidden), name='b1') hidden = tf.add(tf.matmul(data, w1), b1, name='hidden_pre-activation') hidden = tf.nn.relu(hidden, 'hidden_activation') w2 = tf.Variable( tf.random_normal(shape=(n_hidden, data_shape[1])), name='w2') b2 = tf.Variable(tf.zeros(shape=data_shape[1]), name='b2') output = tf.add(tf.matmul(hidden, w2), b2, name = 'output') return output, tf.nn.sigmoid(output)
batch_size=64 g = tf.Graph()
with g.as_default(): tf_X = tf.placeholder(shape=(batch_size, 100), dtype=tf.float32, name='tf_X') ## build the generator with tf.variable_scope('generator'): gen_out1 = build_generator(data=tf_X, n_hidden=50) ## build the classifier with tf.variable_scope('classifier') as scope: ## classifier for the original data: cls_out1 = build_classifier(data=tf_X, labels=tf.ones( shape=batch_size)) ## reuse the classifier for generated data scope.reuse_variables() cls_out2 = build_classifier(data=gen_out1[1], labels=tf.zeros( shape=batch_size)) init_op = tf.global_variables_initializer()
with tf.Session(graph=g) as sess: sess.run(tf.global_variables_initializer()) file_writer = tf.summary.FileWriter(logdir="C:/Users/Leo/Desktop/trained-model/logs/",graph=g)
在win+R输入cmd后
输入命令：
tensorboard --logdir="C:/Users/Leo/Desktop/trained-model/logs"
接着复制这个链接到浏览器打开：
本文电子版 后台回复
TF
获取
“给Datawhale
点个
赞
吧
↓
About The Author
