TensorFlow基础入门十大操作总结-技术圈

TensorFlow

Author：李祖贤

From：Datawhale

TensorFlow 是一个开源的、基于 Python 的机器学习框架，它由 Google 开发，提供了 Python，C/C++、Java、Go、R 等多种编程语言的接口，并在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用，是目前最热门的机器学习框架。

但不少小伙伴跟我吐苦水说Tensorflow的应用太乱了，感觉学的云里雾里，能不能搞个Tensorflow的教程呀。今天，就和大家一起梳理下TensorFlow的十大基础操作。详情如下：

一、Tensorflow的排序与张量

Tensorflow允许用户把张量操作和功能定义为计算图。张量是通用的数学符号，代表保存数据值的多维列阵，张量的维数称为阶。

引用相关的库

import tensorflow as tfimport numpy as np

获取张量的阶（从下面例子看到tf的计算过程）

# 获取张量的阶（从下面例子看到tf的计算过程）g = tf.Graph()# 定义一个计算图with g.as_default():    ## 定义张量t1,t2,t3    t1 = tf.constant(np.pi)    t2 = tf.constant([1,2,3,4])    t3 = tf.constant([[1,2],[3,4]])        ## 获取张量的阶    r1 = tf.rank(t1)    r2 = tf.rank(t2)    r3 = tf.rank(t3)        ## 获取他们的shapes    s1 = t1.get_shape()    s2 = t2.get_shape()    s3 = t3.get_shape()    print("shapes:",s1,s2,s3)# 启动前面定义的图来进行下一步操作with tf.Session(graph=g) as sess:    print("Ranks:",r1.eval(),r2.eval(),r3.eval())

二、Tensorflow 计算图

Tensorflow 的核心在于构建计算图，并用计算图推导从输入到输出的所有张量之间的关系。

假设有0阶张量a,b,c，要评估，可以表示为下图所示的计算图：

可以看到，计算图就是一个节点网络，每个节点就像是一个操作，将函数应用到输入张量，然后返回0个或者更多个张量作为张量作为输出。

在Tensorflow编制计算图步骤如下：

1. 初始化一个空的计算图

2. 为该计算图加入节点（张量和操作）

3. 执行计算图：

a.开始一个新的会话

b.初始化图中的变量

c.运行会话中的计算图

# 初始化一个空的计算图g = tf.Graph()
# 为该计算图加入节点（张量和操作）with g.as_default():    a = tf.constant(1,name="a")    b = tf.constant(2,name="b")    c = tf.constant(3,name="c")        z = 2*(a-b)+c    # 执行计算图## 通过调用tf.Session产生会话对象，该调用可以接受一个图为参数（这里是g），否则将启动默认的空图## 执行张量操作的用sess.run(),他将返回大小均匀的列表with tf.Session(graph=g) as sess:    print('2*(a-b)+c =>',sess.run(z))

2*(a-b)+c => 1

三、Tensorflow中的占位符

Tensorflow有提供数据的特别机制。其中一种机制就是使用占位符，他们是一些预先定义好类型和形状的张量。

通过调用tf.placeholder函数把这些张量加入计算图中，而且他们不包括任何数据。然而一旦执行图中的特定节点就需要提供数据阵列。

3.1 定义占位符

g = tf.Graph()
with g.as_default():    tf_a = tf.placeholder(tf.int32,shape=(),name="tf_a")  # shape=[]就是定义0阶张量,更高阶张量可以用【n1,n2,n3】表示，如shape=（3,4,5）    tf_b = tf.placeholder(tf.int32,shape=(),name="tf_b")    tf_c = tf.placeholder(tf.int32,shape=(),name="tf_c")        r1 = tf_a - tf_b    r2 = 2*r1    z = r2 + tf_c

3.2 为占位符提供数据

当在图中处理节点的时候，需要产生python字典来为占位符来提供数据阵列。

with tf.Session(graph=g) as sess:    feed = {        tf_a:1,        tf_b:2,        tf_c:3    }        print('z:',sess.run(z,feed_dict=feed))

z: 1

3.3 用batch_sizes为数据阵列定义占位符

在研发神经网络模型的时候，有时会碰到大小规模不一致的小批量数据。占位符的一个功能是把大小无法确定的维度定义为None。

g = tf.Graph()
with g.as_default():    tf_x = tf.placeholder(tf.float32,shape=(None,2),name="tf_x")    x_mean = tf.reduce_mean(tf_x,axis=0,name="mean")    np.random.seed(123)with tf.Session(graph=g) as sess:    x1 = np.random.uniform(low=0,high=1,size=(5,2))    print("Feeding data with shape",x1.shape)    print("Result:",sess.run(x_mean,feed_dict={tf_x:x1}))        x2 = np.random.uniform(low=0,high=1,size=(10,2))    print("Feeding data with shape",x2.shape)    print("Result:",sess.run(x_mean,feed_dict={tf_x:x2}))

四、Tensorflow 的变量

就Tensorflow而言，变量是一种特殊类型的张量对象，他允许我们在训练模型阶段，在tensorflow会话中储存和更新模型的参数。

4.1 定义变量

方式1：tf.Variable() 是为新变量创建对象并将其添加到计算图的类。
方式2：tf.get_variable()是假设某个变量名在计算图中，可以复用给定变量名的现有值或者不存在则创建新的变量，因此变量名的name非常重要！

无论采用哪种变量定义方式，直到调用tf.Session启动计算图并且在会话中具体运行了初始化操作后才设置初始值。事实上，只有初始化Tensorflow的变量之后才会为计算图分配内存。

g1 = tf.Graph()
with g1.as_default():    w = tf.Variable(np.array([[1,2,3,4],[5,6,7,8]]),name="w")    print(w)

4.2 初始化变量

由于变量是直到调用tf.Session启动计算图并且在会话中具体运行了初始化操作后才设置初始值，只有初始化Tensorflow的变量之后才会为计算图分配内存。因此这个初始化的过程十分重要，这个初始化过程包括：为相关张量分配内存空间并为其赋予初始值。
初始化方式：

方式1.tf.global_variables_initializer函数，返回初始化所有计算图中现存的变量，要注意的是：定义变量一定要造初始化之前，不然会报错！！！
方式2：将tf.global_variables_initializer函数储存在init_op（名字不唯一，自己定）对象内，然后用sess.run出来

with tf.Session(graph=g1) as sess:    sess.run(tf.global_variables_initializer())    print(sess.run(w))

# 我们来比较定义变量与初始化顺序的关系g2 = tf.Graph()
with g2.as_default():    w1 = tf.Variable(1,name="w1")    init_op = tf.global_variables_initializer()    w2 = tf.Variable(2,name="w2")    with tf.Session(graph=g2) as sess:    sess.run(init_op)    print("w1:",sess.run(w1))

w1: 1

with tf.Session(graph=g2) as sess:    sess.run(init_op)    print("w2:",sess.run(w2))

4.3 变量范围

变量范围是一个重要的概念，对建设大型神经网络计算图特别有用。

可以把变量的域划分为独立的子部分。在创建变量时，该域内创建的操作与张量的名字都以域名为前缀，而且这些域可以嵌套。

g = tf.Graph()
with g.as_default():    with tf.variable_scope("net_A"):   #定义一个域net_A        with tf.variable_scope("layer-1"): # 在域net_A下再定义一个域layer-1            w1 = tf.Variable(tf.random_normal(shape=(10,4)),name="weights")   # 该变量定义在net_A/layer-1域下        with tf.variable_scope("layer-2"):            w2 = tf.Variable(tf.random_normal(shape=(20,10)),name="weights")    with tf.variable_scope("net_B"):   # 定义一个域net_B        with tf.variable_scope("layer-2"):            w3 = tf.Variable(tf.random_normal(shape=(10,4)),name="weights")    print(w1)    print(w2)    print(w3)

五、建立回归模型

我们需要定义的变量：

1.输入x：占位符tf_x
2.输入y：占位符tf_y
3.模型参数w：定义为变量weight
4.模型参数b：定义为变量bias
5.模型输出 ̂ y^：有操作计算得到

import tensorflow  as tfimport numpy as npimport matplotlib.pyplot as plt%matplotlib inline
g = tf.Graph()
# 定义计算图with g.as_default():    tf.set_random_seed(123)        ## placeholder    tf_x = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_x")    tf_y = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_y")        ## define the variable (model parameters)    weight = tf.Variable(tf.random_normal(shape=(1,1),stddev=0.25),name="weight")    bias = tf.Variable(0.0,name="bias")        ## build the model    y_hat = tf.add(weight*tf_x,bias,name="y_hat")        ## compute the cost    cost = tf.reduce_mean(tf.square(tf_y-y_hat),name="cost")        ## train the model    optim = tf.train.GradientDescentOptimizer(learning_rate=0.001)    train_op = optim.minimize(cost,name="train_op")

# 创建会话启动计算图并训练模型## create a random toy dataset for regressionnp.random.seed(0)def make_random_data():    x = np.random.uniform(low=-2,high=4,size=100)    y = []    for t in x:        r = np.random.normal(loc=0.0,scale=(0.5 + t*t/3),size=None)        y.append(r)    return x,1.726*x-0.84+np.array(y)
x,y = make_random_data()
plt.plot(x,y,'o')plt.show()

## train/test splitsx_train,y_train = x[:100],y[:100]x_test,y_test = x[100:],y[100:]
n_epochs = 500train_costs  = []with tf.Session(graph=g) as sess:    sess.run(tf.global_variables_initializer())        ## train the model for n_epochs    for e in range(n_epochs):        c,_ = sess.run([cost,train_op],feed_dict={tf_x:x_train,tf_y:y_train})        train_costs.append(c)        if not e % 50:            print("Epoch %4d: %.4f"%(e,c))plt.plot(train_costs)plt.show()

六、在Tensorflow计算图中用张量名执行对象

只需要把

sess.run([cost,train_op],feed_dict={tf_x:x_train,tf_y:y_train})

改为

sess.run(['cost:0','train_op:0'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train})

注意：只有张量名才有：0后缀，操作是没有：0后缀的，例如train_op并没有train_op：0

## train/test splitsx_train,y_train = x[:100],y[:100]x_test,y_test = x[100:],y[100:]
n_epochs = 500train_costs  = []with tf.Session(graph=g) as sess:    sess.run(tf.global_variables_initializer())        ## train the model for n_epochs    for e in range(n_epochs):        c,_ = sess.run(['cost:0','train_op'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train})        train_costs.append(c)        if not e % 50:            print("Epoch %4d: %.4f"%(e,c))

七、在Tensorflow中储存和恢复模型

神经网络训练可能需要几天几周的时间，因此我们需要把训练出来的模型储存下来供下次使用。

储存的方法是在定义计算图的时候加入：saver = tf.train.Saver()，并且在训练后输入saver.save(sess,'./trained-model')

g = tf.Graph()
# 定义计算图with g.as_default():    tf.set_random_seed(123)        ## placeholder    tf_x = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_x")    tf_y = tf.placeholder(shape=(None),dtype=tf.float32,name="tf_y")        ## define the variable (model parameters)    weight = tf.Variable(tf.random_normal(shape=(1,1),stddev=0.25),name="weight")    bias = tf.Variable(0.0,name="bias")        ## build the model    y_hat = tf.add(weight*tf_x,bias,name="y_hat")        ## compute the cost    cost = tf.reduce_mean(tf.square(tf_y-y_hat),name="cost")        ## train the model    optim = tf.train.GradientDescentOptimizer(learning_rate=0.001)    train_op = optim.minimize(cost,name="train_op")    saver = tf.train.Saver()# 创建会话启动计算图并训练模型## create a random toy dataset for regressionnp.random.seed(0)def make_random_data():    x = np.random.uniform(low=-2,high=4,size=100)    y = []    for t in x:        r = np.random.normal(loc=0.0,scale=(0.5 + t*t/3),size=None)        y.append(r)    return x,1.726*x-0.84+np.array(y)
x,y = make_random_data()
plt.plot(x,y,'o')plt.show()
## train/test splitsx_train,y_train = x[:100],y[:100]x_test,y_test = x[100:],y[100:]
n_epochs = 500train_costs  = []with tf.Session(graph=g) as sess:    sess.run(tf.global_variables_initializer())        ## train the model for n_epochs    for e in range(n_epochs):        c,_ = sess.run(['cost:0','train_op'],feed_dict={'tf_x:0':x_train,'tf_y:0':y_train})        train_costs.append(c)        if not e % 50:            print("Epoch %4d: %.4f"%(e,c))    saver.save(sess,'C:/Users/Leo/Desktop/trained-model/')

# 加载保存的模型g2 = tf.Graph()with tf.Session(graph=g2) as sess:    new_saver = tf.train.import_meta_graph("C:/Users/Leo/Desktop/trained-model/.meta")    new_saver.restore(sess,'C:/Users/Leo/Desktop/trained-model/')    y_pred = sess.run('y_hat:0',feed_dict={'tf_x:0':x_test})

## 可视化模型x_arr = np.arange(-2,4,0.1)g2 = tf.Graph()with tf.Session(graph=g2) as sess:    new_saver = tf.train.import_meta_graph("C:/Users/Leo/Desktop/trained-model/.meta")    new_saver.restore(sess,'C:/Users/Leo/Desktop/trained-model/')    y_arr = sess.run('y_hat:0',feed_dict={'tf_x:0':x_arr})    plt.figure()    plt.plot(x_train,y_train,'bo')    plt.plot(x_test,y_test,'bo',alpha=0.3)    plt.plot(x_arr,y_arr.T[:,0],'-r',lw=3)    plt.show()

八、把张量转换成多维数据阵列

8.1 获得张量的形状

在numpy中我们可以用arr.shape来获得Numpy阵列的形状，而在Tensorflow中则用tf.get_shape函数完成：

注意：在tf.get_shape函数的结果是不可以索引的，需要用as.list()换成列表才能索引。

g = tf.Graph()
with g.as_default():    arr = np.array([[1.,2.,3.,3.5],[4.,5.,6.,6.5],[7.,8.,9.,9.5]])    T1 = tf.constant(arr,name="T1")    print(T1)    s = T1.get_shape()    print("Shape of T1 is ",s)    T2 = tf.Variable(tf.random_normal(shape=s))    print(T2)    T3 = tf.Variable(tf.random_normal(shape=(s.as_list()[0],)))    print(T3)

8.2 改变张量的形状

现在来看看Tensorflow如何改变张量的形状，在Numpy可以用np.reshape或arr.reshape，在一维的时候可以用-1来自动计算最后的维度。在Tensorflow内调用tf.reshape

with g.as_default():    T4 = tf.reshape(T1,shape=[1,1,-1],name="T4")    print(T4)    T5 = tf.reshape(T1,shape=[1,3,-1],name="T5")    print(T5)

with tf.Session(graph=g) as sess:    print(sess.run(T4))    print()    print(sess.run(T5))

8.3 将张量分裂为张量列表

with g.as_default():    tf_splt = tf.split(T5,num_or_size_splits=2,axis=2,name="T8")    print(tf_splt)

8.4 张量的拼接

g = tf.Graph()
with g.as_default():    t1 = tf.ones(shape=(5,1),dtype=tf.float32,name="t1")    t2 = tf.zeros(shape=(5,1),dtype=tf.float32,name="t2")    print(t1)    print(t2)

with g.as_default():    t3 = tf.concat([t1,t2],axis=0,name="t3")    print(t3)    t4 = tf.concat([t1,t2],axis=1,name="t4")    print(t4)

with tf.Session(graph=g) as sess:    print(t3.eval())    print()    print(t4.eval())

with tf.Session(graph=g) as sess:    print(sess.run(t3))    print()    print(sess.run(t4))

九、利用控制流构图

这里主要讨论在Tensorflow执行像python一样的if语句，循环while语句，if...else..语句等。

9.1 条件语句

tf.cond()语句我们来试试：

x,y = 1.0,2.0
g = tf.Graph()
with g.as_default():    tf_x = tf.placeholder(dtype=tf.float32,shape=None,name="tf_x")    tf_y = tf.placeholder(dtype=tf.float32,shape=None,name="tf_y")    res = tf.cond(tf_xlambda: tf.add(tf_x,tf_y,name="result_add"),lambda: tf.subtract(tf_x,tf_y,name="result_sub"))    print("Object:",res)  #对象被命名为"cond/Merge:0"    with tf.Session(graph=g) as sess:    print("x Result:"%(x"tf_x:0":x,"tf_y:0":y}))    x,y = 2.0,1.0    print("x Result:"%(x"tf_x:0":x,"tf_y:0":y}))

9.2 执行python的if...else语句

tf.case()

f1 = lambda: tf.constant(1)f2 = lambda: tf.constant(0)result = tf.case([(tf.less(x,y),f1)],default=f2)print(result)

9.3 执行python的while语句

tf.while_loop()

i = tf.constant(0)threshold = 100c = lambda i: tf.less(i,100)b = lambda i: tf.add(i,1)r = tf.while_loop(cond=c,body=b,loop_vars=[i])print(r)

十、用TensorBoard可视化图

TensorBoard是Tensorflow一个非常好的工具，它负责可视化和模型学习。可视化允许我们看到节点之间的连接，探索它们之间的依赖关系，并且在需要的时候进行模型调试。

def build_classifier(data, labels, n_classes=2):    data_shape = data.get_shape().as_list()    weights = tf.get_variable(name='weights',                              shape=(data_shape[1], n_classes),                              dtype=tf.float32)    bias = tf.get_variable(name='bias',                           initializer=tf.zeros(shape=n_classes))    print(weights)    print(bias)    logits = tf.add(tf.matmul(data, weights),                    bias,                    name='logits')    print(logits)    return logits, tf.nn.softmax(logits)
def build_generator(data, n_hidden):    data_shape = data.get_shape().as_list()    w1 = tf.Variable(        tf.random_normal(shape=(data_shape[1],                                n_hidden)),        name='w1')    b1 = tf.Variable(tf.zeros(shape=n_hidden),                     name='b1')    hidden = tf.add(tf.matmul(data, w1), b1,                    name='hidden_pre-activation')    hidden = tf.nn.relu(hidden, 'hidden_activation')            w2 = tf.Variable(        tf.random_normal(shape=(n_hidden,                                data_shape[1])),        name='w2')    b2 = tf.Variable(tf.zeros(shape=data_shape[1]),                     name='b2')    output = tf.add(tf.matmul(hidden, w2), b2,                    name = 'output')    return output, tf.nn.sigmoid(output)
batch_size=64g = tf.Graph()
with g.as_default():    tf_X = tf.placeholder(shape=(batch_size, 100),                          dtype=tf.float32,                          name='tf_X')    ## build the generator    with tf.variable_scope('generator'):        gen_out1 = build_generator(data=tf_X,                                   n_hidden=50)        ## build the classifier    with tf.variable_scope('classifier') as scope:        ## classifier for the original data:        cls_out1 = build_classifier(data=tf_X,                                    labels=tf.ones(                                        shape=batch_size))                ## reuse the classifier for generated data        scope.reuse_variables()        cls_out2 = build_classifier(data=gen_out1[1],                                    labels=tf.zeros(                                        shape=batch_size))                init_op = tf.global_variables_initializer()

with tf.Session(graph=g) as sess:    sess.run(tf.global_variables_initializer())    file_writer = tf.summary.FileWriter(logdir="C:/Users/Leo/Desktop/trained-model/logs/",graph=g)

在win+R输入cmd后输入命令：

tensorboard --logdir="C:/Users/Leo/Desktop/trained-model/logs"

接着复制这个链接到浏览器打开：

往期精彩：

数学推导+纯Python实现机器学习算法22：EM算法

一个算法工程师的成长之路

长按二维码.关注机器学习实验室

喜欢您就点个在看！