Python Tensor FLow簡單使用方法實例詳解

更新時間：2020年01月14日 11:55:52 作者：theVicTory

這篇文章主要介紹了Python Tensor FLow簡單使用方法,結(jié)合實例形式詳細(xì)分析了Tensor FLow相關(guān)概念、原理、用法與操作注意事項,需要的朋友可以參考下

本文實例講述了Python Tensor FLow簡單使用方法。分享給大家供大家參考，具體如下：

1、基礎(chǔ)概念

Tensor表示張量，是一種多維數(shù)組的數(shù)據(jù)結(jié)構(gòu)。Flow代表流，是指張量之間通過計算而轉(zhuǎn)換的過程。TensorFLow通過一個計算圖的形式表示編程過程，數(shù)據(jù)在每個節(jié)點(diǎn)之間流動，經(jīng)過節(jié)點(diǎn)加工之后流向下一個節(jié)點(diǎn)。

計算圖是一個有向圖，其組成如下：節(jié)點(diǎn)：代表一個操作。邊：代表節(jié)點(diǎn)之間的數(shù)據(jù)傳遞和控制依賴，其中實線代表兩個節(jié)點(diǎn)之間的數(shù)據(jù)傳遞關(guān)系，虛線代表兩個節(jié)點(diǎn)之間存在控制相關(guān)。

張量是所有數(shù)據(jù)的表示形式，可以將其理解為一個多維數(shù)組。零階張量就是標(biāo)量（scalar），表示一個數(shù)，一階張量為一維數(shù)組，即向量（vector）。n階張量也就是n維數(shù)組。張量并不保存具體數(shù)字，它保存的是計算過程。

下面的例子是將節(jié)點(diǎn)1、2的值相加得到節(jié)點(diǎn)3。

import tensorflow as tf 
node1=tf.constant(3.0,tf.float32,name='node1')  #創(chuàng)建浮點(diǎn)數(shù)節(jié)點(diǎn)
node2=tf.constant(4.0,tf.float32,name='node2')
node3=tf.add(node1,node2)       #節(jié)點(diǎn)三進(jìn)行相加操作,源于節(jié)點(diǎn)1、2
ses=tf.Session()
print(node3)      #輸出張量：Tensor("Add_3:0", shape=(), dtype=float32)
print(ses.run(node3))    #通過會話運(yùn)行節(jié)點(diǎn)三，將節(jié)點(diǎn)1、2相加，輸出：7.0
ses.close()           #不使用時，關(guān)閉會話

直接print(node3)輸出的結(jié)果不是具體的值，而是張量結(jié)構(gòu)。因為創(chuàng)建計算圖只是建立了計算模型，只有會話執(zhí)行run()才能獲得具體結(jié)果。

Tensor("Add_3:0", shape=(), dtype=float32)中，Add表示節(jié)點(diǎn)名稱，3表示這是該節(jié)點(diǎn)的第3個輸出。shape表示張量的維度信息，()代表標(biāo)量。dtype表示張量的類型，每個張量的類型唯一，如果不匹配會報錯，不帶小數(shù)點(diǎn)的默認(rèn)類型為int32，帶小數(shù)點(diǎn)默認(rèn)為float35。下面的例子為更復(fù)雜的張量類型：

tensor1=tf.constant([[[1,1,1],[1,2,1]],
     [[2,1,1],[2,2,1]],
     [[3,1,1],[3,2,1]],
     [[4,1,1],[4,2,1]]],name='tensor1')
print(tensor1)
ss=tf.Session()
print(ss.run(tensor1)[3,0,0])     #訪問tensor1的具體元素
#輸出：Tensor("tensor1:0", shape=(4, 2, 3), dtype=int32) 4

其中shape=(4,2,3)表示tensor1的最外層有4個數(shù)組，每個數(shù)組內(nèi)有2個子數(shù)組，子數(shù)組由3個數(shù)字構(gòu)成?？梢酝ㄟ^多維數(shù)組的方式訪問其中的具體元素，[3,0,0]即為第四個數(shù)組中第一個子數(shù)組的第一個元素，4。

計算圖中還有的節(jié)點(diǎn)表示操作，例如加減乘除、賦初值等，操作有自己的屬性，需要在創(chuàng)建圖的時候就確定，操作之間有先后等依賴關(guān)系，通過圖的邊可以直觀地看出來。

2、運(yùn)算

會話

會話（Session）擁有并管理TensorFLow的所有資源，通過Session運(yùn)行計算才能得到結(jié)果，計算完成后記得關(guān)閉會話回收資源。下面是使用Session的流程：

#定義計算圖
tensor1=tf.constant([1,2,3])
#創(chuàng)建會話
ss=tf.Session()
#利用會話進(jìn)行計算操作
print(ss.run(tensor1))
#關(guān)閉會話
ss.close()

也可以通過python上下文管理器來使用Session，當(dāng)退出上下文時會自動關(guān)閉Session并釋放資源

tensor1=tf.constant([1,2,3])
with tf.Session() as ss:    #上下文管理器
 print(ss.run(tensor1))

還可以通過指定默認(rèn)會話，使用eval()獲取張量的值：

tensor1=tf.constant([1,2,3])
ss=tf.Session()
with ss.as_default():     #指定默認(rèn)會話
 print(tensor1.eval())

在交互式環(huán)境下通過InteractiveSession()自動將生成的會話設(shè)為默認(rèn)：

tensor1=tf.constant([1,2,3])
ss=tf.InteractiveSession()     #自動注冊默認(rèn)會話
print(tensor1.eval())
ss.close()

變量、常量

TensorFLow通過constant函數(shù)完成對常量的定義，可以為其賦初值與命名

a=tf.constant(10,'int_a')

而變量不僅需要定義，還需要經(jīng)過初始化后才可以使用，初始化操作不僅需要定義，還需要執(zhí)行

node1=tf.Variable(3.0,name='node1')    #定義變量
node2=tf.Variable(4.0,name='node2')
res=tf.add(node1,node2,name='res')
 
ss=tf.Session()        
init=tf.global_variables_initializer()   #定義全部變量的初始化操作
ss.run(init)         #執(zhí)行初始化操作
 
print(ss.run(res))
ss.close()

TensorFLow的變量一般不需要手動賦值，因為系統(tǒng)會在訓(xùn)練過程中自動調(diào)整。如果不希望由模型自動賦值，可以在定義時指定屬性trainable=False，并通過assign函數(shù)來手動賦值

var1=tf.Variable(0,name='var')
one=tf.constant(1)
var2=tf.add(var1,one)       #變量1加1得到變量2
update=tf.assign(var1,var2)     #定義update操作，將變量2賦值給變量1
 
init=tf.global_variables_initializer()
ss=tf.Session()
ss.run(init)
for _ in range(10):
 ss.run(update)        #執(zhí)行update操作
 print(ss.run(var1))
 
ss.close()
 
#輸出：1 2 3 4 5 6 7 8 9 10

在執(zhí)行ss.run(update)操作時，由于update需要var1和var2依賴，而得到var2需要執(zhí)行add操作，因此只需要run一個update就會觸發(fā)整個計算網(wǎng)絡(luò)。

占位符

有時在定義變量的時候，并不知道它的具體值，只有在運(yùn)行的時候才輸入對應(yīng)數(shù)值，而tensorflow中變量的定義需要賦初值，這時就需要使用占位符placeholder來進(jìn)行定義，并在計算時傳入具體數(shù)值。一個簡單的使用例子：

node1=tf.placeholder(tf.float32,name='node1')  #定義占位符，規(guī)定其類型、結(jié)構(gòu)、名字
node2=tf.placeholder(tf.float32,name='node2') 
m=tf.multiply(node1,node2,'multinode')
 
ss=tf.Session()
res=ss.run(m,feed_dict={node1:1.2,node2:3.4})  #在運(yùn)行時通過feed_dict為占位符賦值 
print(res)
ss.close()

也可以把多個操作放到一次feed操作完成

node1=tf.placeholder(tf.float32,[3],name='node1')  #第二個參數(shù)規(guī)定占位符的類型為3維數(shù)組
node2=tf.placeholder(tf.float32,[3],name='node2') 
m=tf.multiply(node1,node2,'multinode')
s=tf.subtract(node1,node2,'subnode')
 
ss=tf.Session()
#將m，s兩個操作放到一起，并返回兩個結(jié)果
resm,ress=ss.run([m,s],feed_dict={node1:[1.0,2.0,4.0],node2:[3.0,5.0,6.0]})
print(resm)           #輸出：[ 3. 10. 24.]
ss.close()

3、TensorBoard

TensorBoard是TensorFLow的可視化工具，通過程序運(yùn)行中輸出的日志文件可視化地表示TensorFLow的運(yùn)行狀態(tài)。其編程如下：

node1=tf.Variable(3.0,name='node1')    
node2=tf.Variable(4.0,name='node2')
res=tf.add(node1,node2,name='res')
ss=tf.Session()        
init=tf.global_variables_initializer()   
ss.run(init)         
print(ss.run(res))
ss.close()
 
#清除default graph和其他節(jié)點(diǎn)
tf.reset_default_graph()
#定義日志存放的默認(rèn)路徑
logdir='D:\Temp\TensorLog'
#生成writer將當(dāng)前的計算圖寫入日志
writer=tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()

TensorBoard已經(jīng)隨Anaconda安裝完成，首先通過Anaconda Prompt進(jìn)入日志文件的存放目錄，然后輸入tensorboard --logdir=D:\Temp\TensorLog，設(shè)定日志的存放路徑，完成之后在瀏覽器的localhost:6006端口就可以看到TensorBoard，也可以通過--port命令修改默認(rèn)端口。

利用TensorBoard顯示圖片，通過summary.image()將格式化的圖片數(shù)據(jù)顯示，其中輸入的image_imput數(shù)據(jù)是四維格式，第一維表示一次輸入幾行數(shù)據(jù)，-1表示不確定。28，28，1表示圖片數(shù)據(jù)為28×28大小，且其色彩通道為1。

通過summary.histogram()可以顯示直方圖數(shù)據(jù)。通過summary.scalar()可以顯示標(biāo)量數(shù)據(jù)。在所有summary定義完成后，可以通過summary.merge_all()函數(shù)定義一個匯總操作，將所有summary聚合起來。

在創(chuàng)建session后定義writer用于日志文件的寫入，在進(jìn)行訓(xùn)練時，每批次訓(xùn)練都將執(zhí)行一次merge操作，并將結(jié)果寫入日志。

如下為通過多層神經(jīng)網(wǎng)絡(luò)解決MNIST手寫識別問題的例子，將其中的一些數(shù)據(jù)通過TensorBoard顯示出來：

#TensorBoard使用
#定義日志保存位置
log_dir='D:\Temp\MachineLearning\TensorLog'
#顯示圖片
image_input=tf.reshape(x,[-1,28,28,1])
tf.summary.image('input',image_input,10)  #一次最多顯示圖片數(shù)：10
#顯示直方圖
tf.summary.histogram('Y',Y3)
#顯示標(biāo)量loss
tf.summary.scalar('loss',loss_function)
tf.summary.scalar('accurancy',accuracy)
#定義匯總summary操作
merge_op=tf.summary.merge_all()
 
ss=tf.Session()
ss.run(tf.global_variables_initializer())
#定義writer
writer=tf.summary.FileWriter(log_dir,ss.graph)
 
for epoch in range(train_epochs):
 for batch in range(batch_num): #分批次讀取數(shù)據(jù)進(jìn)行訓(xùn)練
  xs,ys=mnist.train.next_batch(batch_size)
  ss.run(optimizer,feed_dict={x:xs,y:ys})
  #執(zhí)行summary操作并將結(jié)果寫入日志文件
  summary_str=ss.run(merge_op,feed_dict={x:xs,y:ys})
  writer.add_summary(summary_str,epoch)
  
 loss,acc=ss.run([loss_function,accuracy],\
     feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
 print('第%2d輪訓(xùn)練：損失為：%9f，準(zhǔn)確率：%.4f'%(epoch+1,loss,acc))

運(yùn)行結(jié)果如下圖所示分別為圖片、accuracy、loss標(biāo)量圖、Y1直方圖以及隨之生成的分布圖：