Tensorflow編程系統(tǒng)

Tensorflow工具或者說深度學習本身就是一個連貫緊密的系統(tǒng)。一般的系統(tǒng)是一個自治獨立的、能實現(xiàn)復雜功能的整體。系統(tǒng)的主要任務是對輸入進行處理，以得到想要的輸出結果。我們之前見過的很多系統(tǒng)都是線性的，就像汽車生產工廠的流水線一樣，輸入->系統(tǒng)處理->輸出。系統(tǒng)內部由很多單一的基本部件構成，這些單一部件具有特定的功能，且需要穩(wěn)定的特性；系統(tǒng)設計者通過特殊的連接方式，讓這些簡單部件進行連接，以使它們之間可以進行數(shù)據交流和信息互換，來達到相互配合而完成具體工作的目的。

對于任何一個系統(tǒng)來說，都應該擁有穩(wěn)定、獨立、能處理特殊任務的單一部件；且擁有一套良好的內部溝通機制，以讓系統(tǒng)可以健康安全的運行。

現(xiàn)實中的很多系統(tǒng)都是線性的，被設計好的、不能進行更改的，比如工廠的流水線,這樣的系統(tǒng)并不具備自我調整的能力，無法對外界的環(huán)境做出反應，因此也就不具備“智能”。

深度學習（神經網絡）之所以具備智能，就是因為它具有反饋機制。深度學習具有一套對輸出所做的評價函數(shù)（損失函數(shù)），損失函數(shù)在對神經網絡做出評價后，會通過某種方式（梯度下降法）更新網絡的組成參數(shù)，以期望系統(tǒng)得到更好的輸出數(shù)據。

由此可見，神經網絡的系統(tǒng)主要由以下幾個方面組成：

• 輸入
• 系統(tǒng)本身（神經網絡結構），以及涉及到系統(tǒng)本身構建的問題：如網絡構建方式、網絡執(zhí)行方式、變量維護、模型存儲和恢復等等問題
• 損失函數(shù)
• 反饋方式：訓練方式

定義好以上的組成部分，我們就可以用流程化的方式將其組合起來，讓系統(tǒng)對輸入進行學習，調整參數(shù)。因為該系統(tǒng)的反饋機制，所以，組成的方式肯定需要循環(huán)。

而對于Tensorflow來說，其設計理念肯定離不開神經網絡本身。所以，學習Tensorflow之前，對神經網絡有一個整體、深刻的理解也是必須的。如下圖：Tensorflow的執(zhí)行示意。

那么對于以上所列的幾點，什么才是最重要的呢？我想肯定是有關系統(tǒng)本身所涉及到的問題。即如何構建、執(zhí)行一個神經網絡？在Tensorflow中，用計算圖來構建網絡，用會話來具體執(zhí)行網絡。深入理解了這兩點，我想，對于Tensorflow的設計思路，以及運行機制，也就略知一二了。

圖（tf.Graph）：計算圖，主要用于構建網絡，本身不進行任何實際的計算。計算圖的設計啟發(fā)是高等數(shù)學里面的鏈式求導法則的圖。我們可以將計算圖理解為是一個計算模板或者計劃書。

會話（tf.session）：會話，主要用于執(zhí)行網絡。所有關于神經網絡的計算都在這里進行，它執(zhí)行的依據是計算圖或者計算圖的一部分，同時，會話也會負責分配計算資源和變量存放，以及維護執(zhí)行過程中的變量。

接下來，我們主要從計算圖開始，看一看Tensorflow是如何構建、執(zhí)行網絡的。

計算圖

在開始之前，我們先復習一下Tensorflow的幾種基本數(shù)據類型：

tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)
tf.Variable(initializer, name)
tf.placeholder(dtype, shape=None, name=None)

復習完畢。

graph = tf.Graph()
with graph.as_default():
 img = tf.constant(1.0, shape=[1,5,5,3])

以上代碼中定義了一個計算圖，在該計算圖中定義了一個常量。Tensorflow默認會創(chuàng)建一張計算圖。所以上面代碼中的前兩行，可以省略。默認情況下，計算圖是空的。

在執(zhí)行完img = tf.constant(1.0, shape=[1,5,5,3])以后，計算圖中生成了一個node，一個node結點由name, op, input, attrs組成，即結點名稱、操作、輸入以及一系列的屬性（類型、形狀、值）等組成，計算圖就是由這樣一個個的node組成的。對于tf.constant()函數(shù)，只會生成一個node，但對于有的函數(shù)，如tf.Variable(initializer, name)（注意其第一個參數(shù)是初始化器）就會生成多個node結點（后面會講到）。

那么執(zhí)行完img = tf.constant(1.0, shape=[1,5,5,3])后，計算圖中就多一個node結點。（因為每個node的屬性很多，我只表示name，op，input屬性）

繼續(xù)添加代碼：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])

代碼執(zhí)行后的計算圖如下：

需要注意的是，如果沒有對結點進行命名，Tensorflow自動會將其命名為：Const、Const_1、const_2......。其他類型的結點類同。

現(xiàn)在，我們添加一個變量：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)

該變量用一個常量作為初始化器。我們先看一下計算圖：

如圖所示：
執(zhí)行完tf.Variable()函數(shù)后，一共產生了三個結點：

• Variable：變量維護（不存放實際的值）
• Variable/Assign：變量分配
• Variable/read：變量使用

圖中只是完成了操作的定義，但并沒有執(zhí)行操作（如Variable/Assign結點的Assign操作，所以，此時候變量依然不可以使用，這就是為什么要在會話中初始化的原因）。

我們繼續(xù)添加代碼：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")

得到的計算圖如下：

可以看出，變量讀取是通過Variable/read來進行的。

如果在這里我們直接開啟會話，并執(zhí)行計算圖中的卷積操作，系統(tǒng)就會報錯。

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y2 = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")
with tf.Session() as sess:
  sess.run(y2)

這段代碼錯誤的原因在于，變量并沒有初始化就被使用，而從圖中清晰的可以看到，直接執(zhí)行卷積，是回溯不到變量的值（Const_1）的（箭頭方向）。

所以，在執(zhí)行之前，要進行初始化，代碼如下：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y2 = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")
init = tf.global_variables_initializer()

執(zhí)行完tf.global_variables_initializer()函數(shù)以后，計算圖如下：

tf.global_variables_initializer()產生了一個名為init的node，該結點將所有的Variable/Assign結點作為輸入，以達到對整張計算圖中的變量進行初始化。
所以，在開啟會話后，執(zhí)行的第一步操作，就是變量初始化(當然變量初始化的方式有很多種，我們也可以顯示調用tf.assign()來完成對單個結點的初始化)。
完整代碼如下：

img = tf.constant(1.0, shape=[1,5,5,3])
k = tf.constant(1.0, shape=[3,3,3,1])
kernel = tf.Variable(k)
y2 = tf.nn.conv2d(img, kernel, strides=[1,2,2,1], padding="SAME")
init = tf.global_variables_initializer()
with tf.Session() as sess:
  sess.run(init)
  # do someting....

會話

在上述代碼中，我已經使用會話（tf.session()）來執(zhí)行計算圖了。在tf.session()中，我們重點掌握無所不能的sess.run()。

一個session()中包含了Operation被執(zhí)行，以及Tensor被evaluated的環(huán)境。

tf.Session().run()函數(shù)的定義：

run(
  fetches,
  feed_dict=None,
  options=None,
  run_metadata=None
)

tf.Session().run()函數(shù)的功能為：執(zhí)行fetches參數(shù)所提供的operation操作或計算其所提供的Tensor。

run()函數(shù)每執(zhí)行一步，都會執(zhí)行與fetches有關的圖中的所有結點的計算，以完成fetches中的任務。其中，feed_dict提供了部分數(shù)據輸入的功能。（和tf.Placeholder()搭配使用，很舒服）

參數(shù)說明：

• fetches：可以是圖中的一個結點，也可以是一個List或者字典，此時候返回值與fetches格式一致；該參數(shù)還可以是一個Operation，此時候返回值為None。
• feed_dict：字典格式。給模型輸入其計算過程中所需要的值。

當我們把模型的計算圖構建好以后，就可以利用會話來進行執(zhí)行訓練了。

在明白了計算圖是如何構建的，以及如何被會話正確的執(zhí)行以后，我們就可以愉快的開始Tensorflow之旅啦。

參考鏈接

https://jacobbuckman.com/

https://danijar.com/what-is-a-tensorflow-session/

http://looop.cn/?p=3365

到此這篇關于Tensorflow中的圖（tf.Graph）和會話（tf.Session）的實現(xiàn)的文章就介紹到這了,更多相關Tensorflow tf.Graph tf.Session內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論