TensorFlow从0到1丨第2篇:TensorFlow核心编程
上一篇Hello, TensorFlow!中的代码还未解释,本篇介绍TensorFlow核心编程的几个基本概念后,那些Python代码就很容易理解了。
与TensorFlow核心(Core)相对的是TensorFlow提供的高级API。后者是基于前者构建的。对于机器学习研究以及需要对编程、模型完全控制的场景,TensorFlow核心编程是首选。如果为了快速、便捷的执行一个模型训练任务,那么高级的API更容易使用,输出也更具一致性。作为研究学习,显然需要从更基础的TensorFlow核心编程开始。
图1.Computational Graph
张量
Tensor(张量)是TensorFlow中最核心的数据结构单元,它可以表示任意维数的数组,维度用rank(阶)表示。
可以通过下面的例子来理解张量:
- 3 # 一个0阶的张量;它是一个标量,形状为shape[];
- [1. ,2., 3.] # 一个1阶的张量;它是一个向量,形状为shape[3];
- [[1., 2., 3.], [4., 5., 6.]] # 一个2阶的张量;它是一个矩阵,形状为shape[2,3];
- [[[1., 2., 3.]], [[7., 8., 9.]]] # 一个3阶的张量;形状为shape[2, 1, 3]。
由此可见,如果要做矩阵运算,使用上面第3种方式来表达即可。
注意,张量(Tensor)并非TensorFlow的内部概念,它是一个通用的数学概念,有非常丰富的内涵。
计算图
TensorFlow核心编程,通常是由两大阶段组成:
- 1 构建计算图
- 2 运行计算图
计算图,The Computational Graph,是由计算节点(node)构成的图。
节点,node,代表一种运算操作,输入≥0个张量,输出1个张量,下图右侧是一个加法节点,接受两个输入:
图2.计算图
TensorFlow提供了很多的API。在Python中使用它,只需要一行导入语句,即可访问TensorFlow的所有类和方法:
import tensorflow as tf
上面就是由3个节点构建的计算图,Python代码如下:
import tensorflow as tf
node1 = tf.constant(3.0, tf.float32)node2 = tf.constant(4.0) # also tf.float32 implicitlynode3 = tf.add(node1, node2)
sess = tf.Session()print("node3: ", node3)print("sess.run(node3): ",sess.run(node3))
程序输出:
node3: Tensor("Add_2:0", shape=(), dtype=float32)
sess.run(node3): 7.0
一些说明:
- 代码分3块:导入语句、构建计算图和运行计算图;
- node1和node2是常量节点,常量节点:没有输入,输出是事先存储在其内部的值;
- node3是一个加法操作,2个输入分别是node1和node2的输出,输出是1个相加后的结果;
- 构建好计算图之后,如果直接打印node3,只会打印出该节点的相关信息,但是计算并没有执行;
- 只有通过sess.run运行计算图,才会看到node3真正的输出张量的值。
Session
上节的示例代码中,计算图构建完成后,最后让计算图执行运算的是Session的Run方法。Session封装了对TensorFlow运行时的控制,及其状态,为用户提供了交互的接口。
计算图,Why?
当了解了张量和计算图,也许觉得它不难理解,Python的Numpy不也可以提供矩阵运算吗?
的确,Numpy提供了大量处理矩阵的函数,而且其内部是由最高效的C语言实现的。但是要注意C语言与Python之间的交互是有成本的。举个例子:
import numpy as npa = np.array([[1, 2, 3],[4, 5, 6],[7, 8, 9]])b = a.copy()c = a * bd = np.dot(a, c)print(c)print(d)
程序输出:
[[1 4 9][16 25 36] [49 64 81]]
[[180 246 324] [378 525 702] [576 804 1080]]
上面的代码,首先构建了两个矩阵a和b,然后a和b进行Hadamard乘积得到c,最后用a和c进行矩阵乘法得到d。代码上十分干净利落,接下来分析下C语言和Python的交互成本:
图3.overhead
每进行一次矩阵操作,python层都要获得计算结果,所以每行矩阵操作代码都造成一次C语言和Python之间的交互。numpy不仅要计算,还得“折返跑”。
到现在,你或许已经猜到TF的计算图的工作方式了。在构建计算图时,每一步操作的返回值并不是计算结果,而是一个节点。直到运行sess.run
,TF会一口气从头到尾(目标节点)把运算做完后进行一次输出,中间路过的节点根本“不停车”。而这种连续的管线操作才有可能让其充分的利用GPU,以及分布式处理带来的加速。这就是计算图的先进之处。
尽管TensorFlow被广泛的应用于深度神经网络方面,但是正如上面的分析,它更是一个基于计算图的通用数值计算库。TF官方如此写道:
TensorFlow is a powerful library for doing large-scale numerical computation. One of the tasks at which it excels is implementing and training deep neural networks.
其他类型节点
前面的代码中,包含了两种类型的节点,常量节点和操作节点,本节再介绍几个重要的节点:
- 占位节点
- 变量节点
占位节点
占位节点,可以在构建计算图阶段先定义节点(只需定义类型),而在稍后的运行计算图时提供节点的值。使用tf.placeholder
生成。
a = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)adder_node = a + b
print(sess.run(adder_node, {a: 3, b:4.5}))print(sess.run(adder_node, {a: [1,3], b: [2, 4]}))
程序输出:
7.5
[ 3. 7.]
一些说明:
- a和b都是float32类型的占位节点;
- adder_node = a + b,会产生一个操作节点,同tf.add(a, b);
- 运行计算图时,必须提供占位节点的值;
- 占位节点只负责占位,但是无记忆,运行计算图提供的值是临时性的。
变量节点
比占位节点更加灵活的、即可以动态修改、又具有记忆的节点是变量节点,使用tf.Variable
生成。
W = tf.Variable([.3], tf.float32)b = tf.Variable([-.3], tf.float32)x = tf.placeholder(tf.float32)linear_model = W * x + b
init = tf.global_variables_initializer()sess.run(init)
print(sess.run(linear_model, {x:[1,2,3,4]}))
fixW = tf.assign(W, [-1.])fixb = tf.assign(b, [1.]) sess.run([fixW, fixb])print(sess.run(linear_model, {x:[1,2,3,4]}))
程序输出:
[ 0. 0.30000001 0.60000002 0.90000004]
[ 0. -1. -2. -3.]
一些说明:
- 变量节点在定义时,需提供初始值和类型;
- 通过tf.global_variables_initializer得到初始化器,需要sess.run后才完成初始化;
- 通过tf.assign动态改变变量节点的值,需要sess.fun完成赋值。
词汇表
- rank: 阶,表示张量的维数;
- scalar: 标量,相对于向量而言;
- tensor: 张量,TensorFlow定义的核心的数据单元;
附完整代码
import tensorflow as tf
node1 = tf.constant(3.0, tf.float32)node2 = tf.constant(4.0) # also tf.float32 implicitlynode3 = tf.add(node1, node2)
sess = tf.Session()print("node3: ", node3)print("sess.run(node3): ", sess.run(node3))
a = tf.placeholder(tf.float32)b = tf.placeholder(tf.float32)adder_node = a + b # + provides a shortcut for tf.add(a, b)
print(sess.run(adder_node, {a: 3, b: 4.5}))print(sess.run(adder_node, {a: [1, 3], b: [2, 4]}))
W = tf.Variable([.3], tf.float32)b = tf.Variable([-.3], tf.float32)x = tf.placeholder(tf.float32)linear_model = W * x + b
init = tf.global_variables_initializer()sess.run(init)
print(sess.run(linear_model, {x: [1, 2, 3, 4]}))
fixW = tf.assign(W, [-1.])fixb = tf.assign(b, [1.])sess.run([fixW, fixb])print(sess.run(linear_model, {x: [1, 2, 3, 4]}))
- 谈谈个人网站的建立(七)—— 那些建站必备的插件
- 【美团技术团队博客】Linux资源管理之cgroups简介
- 谈谈个人网站的建立(六)—— 数据库同步
- Javascript解析机制 执行机制
- Tomcat9源码——编译环境搭建
- 谈谈个人网站的建立(五)—— 小集群的部署
- 跟Google学写代码--Chromium/base--cpu源码学习及应用
- Spring项目路径
- 跟Google学写代码--Chromium/base--stl_util源码学习及应用
- libphonenumber--windows上编译libphonenumber.lib以及使用(C++、VS2015)
- querySelector与querySelectorAll
- 【技术博客】Spark性能优化指南——基础篇
- 移动端兼容系列 HTML与CSS兼容
- 保存到配置文件
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法