本文整理自知乎专栏深度炼丹,转载请征求原作者同意。
本文的全部代码都在原作者GitHub仓库github
CS20SI是Stanford大学开设的基于Tensorflow的深度学习研究课程。
TensorBoard可视化
安装TensorFlow的时候TensorBoard自动安装,使用writer=tf.summary.FileWriter('./graph',sess.graph)
创建一个文件写入器,./graph
是文件路径,sess.graph
表示读入的图结构
简单的例子:
import tensorflow as tf
a = tf.constant(2)
b = tf.constant(3)
x = tf.add(a,b)
with tf.Session() as sess:
writer = tf.summary.FileWriter('./graphs',sess.graph)
print(sess.run(x))
writer.close() # close the writer when you're done using it
打开终端运行程序,输入tensorboard --logdir="./graphs"
,在网页输入http://localhost:6006/
,进入tensorboard
常数类型
创建一个常数:
tf.constant(value, dtype=None, shape=None, name='const', verify_shape=False)
比如建立一维向量和矩阵,然后相乘:
a = tf.constant([2,2], name='a')
b = tf.constant([[0,1],[2,3]], name='b')
x = tf.multiply(a, b, name='dot_production')
with tf.Session() as sess:
print(sess.run(x))
>> [[0,2]
[4,6]]
类似numpy的创建
特殊值常量创建:
tf.zeros(shape, dtype=tf.float32, name=None)
tf.zeros_like(input_tensor, dtype=None, name=None, optimize=True)
tf.ones(shape, dtype=tf.float32,name=None)
tf.ones_like(input_tensor, dtype=None, name=None, optimize=True)
tf.fill([2,3],8)
>> [[8,8,8],[8,8,8]]
序列创建:
tf.linspace(start, stop, num, name=None)
tf.linspace(10.0, 13.0, 4)
>> [10.0, 11.0, 12.0, 13.0]
tf.range(start, limit=None, delta=1, dtyde=None, name='range')
tf.range(3, limit=18, delta=3)
>> [3,6,9,12,15]
与numpy不同,tf不能迭代,即
for _ in tf.range(4): #TypeError
产生随机数
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
tf目前与numpy数据类型通用:
tf.ones([2,2],np.float32)
>> [[1.0,1.0],[1.0,1.0]]
变量
常量定义保存在计算图中,常量过多使得计算图加载缓慢。
a = tf.Variable(2, name='scalar')
b = tf.Variable([2,3], name='vector')
c = tf.Variable([[0,1][2,3]],name='matrix')
w = tf.Variable(tf.zeros([784,10]),name='weight')
变量的几个操作
x = tf.Variable()
x.initializer # 初始化
x.eval() # 读取里面的值
x.assign() #分配值给该变量
使用变量前必须初始化,初始化可以看作是一种变量的分配值操作
变量的初始化
一次性全部初始化:
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
一部分初始化:
init_ab = tf.variables_initializer([a,b],name='init_ab')
with tf.Session() as sess:
sess.run(init_ab)
某个变量的初始化:
w = tf.Variables(tf.zeros([10,10]))
with tf.Session() as sess:
sess.run(w.initializer)
注意下面这个例程:
w = tf.Variable(10)
w.assign(100)
with tf.Session() as sess:
sess.run(w.initializer)
print(w.eval())
>> 10
得到的答案是10
而不是100
的原因是:虽然定义了assign
操作,但是tensorflow实在session
中执行操作,所以我们需要执行assign
操作:
w = tf.Variable(10)
assign_op = w.assign(100)
with tf.Session() as sess:
sess.run(w.initializer)
sess.run(assign_op) # 赋值作为运算
print(w.eval())
>> 100
用变量定义变量
w = tf.Variable(tf.truncated_normal([700, 10]))
u = tf.Variable(w * 2)
Session独立
tensorflow的session
相互独立。
W = tf.Variable(10)
sess1 = tf.Session()
sess2 = tf.Session()
sess1.run(W.initializer)
sess2.run(W.initializer)
print(sess1.run(W.assign_add(10))) # >> 20
print(sess2.run(W.assign_sub(2))) # >> 8
print(sess1.run(W.assign_add(100))) # >> 120
print(sess2.run(W.assign_sub(50))) # >> -42
sess1.close()
sess2.close()
占位符(Placeholders)
tensorflow有两步,第一步定义图,第二步进行计算。对于图中暂时不知道值的量,可以定义为占位符,之后再用feed_dict
赋值
定义占位符
tf.placeholder(dtype, shape=None, name=None)
最好指定shape,容易Debug
例程:
a = tf.placeholder(tf.float32, shape=[3])
b = tf.constant([5, 5, 5], tf.float32)
c = a + b
with tf.Session() as sess:
print(sess.run(c, feed_dict={a: [1, 2, 3]}))
也可以给tensorflow的运算进行feed操作
a = tf.add(2, 3)
b = tf.multiply(a, 3)
with tf.Session() as sess:
print(sess.run(b, feed_dict={a: 2}))
>> 6
lazy loading
azy loading是指你推迟变量的创建直到你必须要使用他的时候。下面我们看看一般的loading和lazy loading的区别。
# normal loading
x = tf.Variable(10, name='x')
y = tf.Variable(20, name='y')
z = tf.add(x, y)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for _ in range(10):
sess.run(z)
# lazy loading
x = tf.Variable(10, name='x')
y = tf.Variable(20, name='y')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
for _ in range(10):
sess.run(tf.add(x, y))
normal loading会在图中创建x
和y
变量,同时创建x+y
运算,而lazy loading只会创建这两个变量:
- normal loading 在
session
中不管做多少次x+y
,只需要执行z
定义的加法操作就可以了 - lazy loading在
session
中每进行一次x+y
,就会在图中创建一个加法操作,计算图就会多一个节点。严重影响图的读入速度。