机器学习准备工作:TensorFlow 基础知识

@高效码农  May 11, 2019
机器学习 

TensorFlow 中编码的"Hello World"

hello_world.ipynb：官方练习地址

以下代码块为"Hello World"TensorFlow 程序。
其中包含初始化代码（导入 TensorFlow 模块并启用"eager execution"，我们将在后续练习中详细介绍此操作），然后输出"Hello, world!"字符串常量。

#!/usr/bin/python3.7.3
# -*- coding: utf-8 -*-

from __future__ import print_function

import tensorflow as tf

try:
    tf.contrib.eager.enable_eager_execution()
except ValueError:
    pass

tensor = tf.constant('Hello, world!')
tensor_value = tensor.numpy()
print(tensor_value)

TensorFlow 基础知识

学习目标：

  • 学习 TensorFlow 编程模型的基础知识，重点了解以下概念：

    • 张量
    • 指令
    • 图
    • 会话
  • 构建一个简单的 TensorFlow 程序，使用该程序绘制一个默认图并创建一个运行该图的会话
概念概览

TensorFlow 的名称源自张量，张量是任意维度的数组。借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：

  • 标量是零维数组（零阶张量）。例如，\'Howdy\' 或 5
  • 矢量是一维数组（一阶张量）。例如，[2, 3, 5, 7, 11] 或 [5]
  • 矩阵是二维数组（二阶张量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。

TensorFlow 图（也称为计算图或数据流图）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

张量可以作为常量或变量存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。

要定义常量，请使用 tf.constant 指令，并传入它的值。例如：

  x = tf.constant([5.2])

同样，您可以创建如下变量：

  y = tf.Variable([5])

或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：

  y = tf.Variable([0])
  y = y.assign([5])

定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。

图必须在 TensorFlow 会话中运行，会话存储了它所运行的图的状态：

with tf.Session() as sess:
  initialization = tf.global_variables_initializer()
  print(y.eval())

在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。

注意：会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。有关详情，请参阅分布式 TensorFlow。

总结

TensorFlow 编程本质上是一个两步流程：

  1. 将常量、变量和指令整合到一个图中。
  2. 在一个会话中评估这些常量、变量和指令。

创建一个简单的 TensorFlow 程序

我们来看看如何编写一个将两个常量相加的简单 TensorFlow 程序。

添加 import 语句

与几乎所有 Python 程序一样，您首先要添加一些 import 语句。
当然，运行 TensorFlow 程序所需的 import 语句组合取决于您的程序将要访问的功能。至少，您必须在所有 TensorFlow 程序中添加 import tensorflow 语句：

import tensorflow as tf

请勿忘记执行前面的代码块（import 语句）。

其他常见的 import 语句包括：

import matplotlib.pyplot as plt # 数据集可视化。
import numpy as np              # 低级数字 Python 库。
import pandas as pd             # 较高级别的数字 Python 库。

TensorFlow 提供了一个默认图。不过，我们建议您明确创建自己的 Graph，以便跟踪状态（例如，您可能希望在每个单元格中使用一个不同的 Graph）。

from __future__ import print_function
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

# 创建一个graph
g = tf.Graph()

# 设置为默认图像
with g.as_default():
    x = tf.constant(8, name='x_const')
    y = tf.constant(5, name='y_const')
    sum = tf.add(x, y, name='x_y_sum')

    with tf.Session() as sess:
        print(sum.eval())

评论已关闭