深度学习进度02（图和tensorboard、op、会话、张量）

图和tensorboard

什么是图结构：

 图的相关操作

默认图：

def graph_demo():
    tf.compat.v1.disable_eager_execution()
    """
    图的演示
    :return:
    """
    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = tf.add(a_t, b_t)

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g:
", default_g)

    # 方法2：查看属性
    print("a_t的图属性：
", a_t.graph)
    print("c_t的图属性：
", c_t.graph)

    # 开启会话
    tf.compat.v1.disable_eager_execution()
    sess = tf.compat.v1.Session()
    c_t_value = sess.run(c_t)
    print("c_t_value:
", c_t_value)
    print("sess的图属性：
", sess.graph)
    return None

自定义图：

def graph_demo():
    tf.compat.v1.disable_eager_execution()
    """
    图的演示
    :return:
    """
    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = tf.add(a_t, b_t)

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g:
", default_g)

    # 方法2：查看属性
    print("a_t的图属性：
", a_t.graph)
    print("c_t的图属性：
", c_t.graph)

    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("a_new:
", a_new)
        print("b_new:
", b_new)
        print("c_new:
", c_new)
        print("a_new的图属性：
", a_new.graph)
        print("c_new的图属性：
", c_new.graph)

    # 开启会话
    with tf.compat.v1.Session() as sess:
        # c_t_value = sess.run(c_t)
        # 试图运行自定义图中的数据、操作
        # c_new_value = sess.run((c_new))
        # print("c_new_value:
", c_new_value)
        print("c_t_value:
", c_t.eval())
        print("sess的图属性：
", sess.graph)
     
    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as new_sess:
        c_new_value = new_sess.run((c_new))
        print("c_new_value:
", c_new_value)
        print("new_sess的图属性：
", new_sess.graph)

    return None

 

tensorboard可视化学习：

数据序列化events文件：

def graph_demo():
    tf.compat.v1.disable_eager_execution()
    """
    图的演示
    :return:
    """
    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = tf.add(a_t, b_t)

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g:
", default_g)

    # 方法2：查看属性
    print("a_t的图属性：
", a_t.graph)
    print("c_t的图属性：
", c_t.graph)

    # 自定义图
    new_g = tf.Graph()
    # 在自己的图中定义数据和操作
    with new_g.as_default():
        a_new = tf.constant(20)
        b_new = tf.constant(30)
        c_new = a_new + b_new
        print("a_new:
", a_new)
        print("b_new:
", b_new)
        print("c_new:
", c_new)
        print("a_new的图属性：
", a_new.graph)
        print("c_new的图属性：
", c_new.graph)

    # 开启会话
    with tf.compat.v1.Session() as sess:
        # c_t_value = sess.run(c_t)
        # 试图运行自定义图中的数据、操作
        # c_new_value = sess.run((c_new))
        # print("c_new_value:
", c_new_value)
        print("c_t_value:
", c_t.eval())
        print("sess的图属性：
", sess.graph)
        # 1）将图写入本地生成events文件
        tf.compat.v1.summary.FileWriter("./tmp/summary", graph=sess.graph)

    # 开启new_g的会话
    with tf.compat.v1.Session(graph=new_g) as new_sess:
        c_new_value = new_sess.run((c_new))
        print("c_new_value:
", c_new_value)
        print("new_sess的图属性：
", new_sess.graph)

    return None

 启动tensorboard：

 OP：

常见的op：

 

 

 

 会话

 

 会话创建的时候：

会话的run：

 feed操作：

 张量：

 

张量类型：

 

 张量的阶：

 创建张量的指令：

 

def tensor_demo():
    """
    张量的演示
    :return:
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1, 2, 3, 4])
    linear_squares = tf.constant([[4], [9], [16], [25]], dtype=tf.int32)

    print("tensor1:
", tensor1)
    print("tensor2:
", tensor2)
    print("linear_squares_before:
", linear_squares)

    # 张量类型的修改
    l_cast = tf.cast(linear_squares, dtype=tf.float32)
    print("linear_squares_after:
", linear_squares)
    print("l_cast:
", l_cast)

    # 更新/改变静态形状
    # 定义占位符
    # 没有完全固定下来的静态形状
    a_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, None])
    b_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[None, 10])
    c_p = tf.compat.v1.placeholder(dtype=tf.float32, shape=[3, 2])
    print("a_p:
", a_p)
    print("b_p:
", b_p)
    print("c_p:
", c_p)
    # 更新形状未确定的部分
    # a_p.set_shape([2, 3])
    # b_p.set_shape([2, 10])
    # c_p.set_shape([2, 3])
    # 动态形状修改
    a_p_reshape = tf.reshape(a_p, shape=[2, 3, 1])
    print("a_p:
", a_p)
    # print("b_p:
", b_p)
    print("a_p_reshape:
", a_p_reshape)
    c_p_reshape = tf.reshape(c_p, shape=[2, 3])
    print("c_p:
", c_p)
    print("c_p_reshape:
", c_p_reshape)