TensorFlow程式設計策略

tensorflow程式中的計算過程可以表示為乙個計算圖（computation graph, 也可稱為有向圖（directed graph))，其作用與外觀都可模擬為程式流程圖。

張量是在邊中流動的資料，其資料型別可以在程式設計時事先定義，也可根據計算圖中的上下文來推斷。

計算圖的作用可以模擬為程式的流程圖，可以使用tensorboard工具視覺化tensorflow程式的計算圖。用以下例子簡單的向量相加介紹計算圖：

import tensorflow as tf
a = tf.constant([1.0,2.0], name="a")
b = tf.constant([3.0,4.0], name="b")
result = a+b
print (a.graph is tf.get_default_graph())
print (b.graph is tf.get_default_graph())

編寫tensorflow程式時，系統會自動維護乙個預設的計算圖，上面**是判斷 a 和 b 是否屬於預設的計算圖，結果會輸出 true，因為我們沒有指定 a 和 b 屬於哪乙個計算圖。

使用預設計算圖可以滿足要求，當我們需要使用更到計算圖時，可通過 graph函式來生成新的計算圖。對於生成的計算圖，可通過 as_default()函式將其指定為預設。以下**使用 graph()函式來生成兩個計算圖及使用 as_default()函式將生成的計算圖指定為預設：

import tensorflow as tf
#使用graph()函式建立乙個計算圖
g1 = tf.graph()
with g1.as_default():   #使用as_default()函式將定義的計算圖使用為預設
a = tf.get_variable("a", [2], initializer=tf.ones_initializer())
b = tf.get_variable("b", [2], initializer=tf.zeros_initializer())
#使用graph()函式建立另乙個計算圖
g2 = tf.graph()
with g2.as_default():
a = tf.get_variable("a", [2], initializer=tf.zeros_initializer())
b = tf.get_variable("b", [2], initializer=tf.ones_initializer())\
with tf.session(graph=g1) as sess:
tf.global_variables_initializer().run()
#初始化計算圖中的所有變數
with tf.variable_scope("", reuse=true):
print(sess.run(tf.get_variable("a")))
print(sess.run(tf.get_variable("b")))
with tf.session(graph=g2) as sess:
tf.global_variables_initializer().run()
# 初始化計算圖中的所有變數
with tf.variable_scope("", reuse=true):
print(sess.run(tf.get_variable("a")))
print(sess.run(tf.get_variable("b")))

tensorflow中的張量儲存的時運算結果的屬性，而不是真正的數字。用乙個向量相加的例子進行說明：

列印 result 張量，顯示的結果不是數字，而是加法運算結果的屬性：操作（op)、維度（shape)和資料型別（dtype)。

session就是使用者使用tensorflow時的互動介面，被實現為session類。使用run()方法來執行計算圖，使用者給run()函式傳入需要計算的節點，同時提供輸入的資料，則能計算該節點資料。

使用會話方式有兩種，一是明確呼叫會話生成函式和會話關閉函式，通過session類session()建構函式建立會話例項，然後通過close()函式關閉會話，通過這種方式必須明確使用close結束會話。

可使用 with/as使用會話。

placeholder機制用於在會話執行時動態提供輸入資料，以下**展示變數相加如何在執行時提供值：

import tensorflow as tf
#用placehoder定義乙個位置
#原型plaeshoder(dtype,shape,name)
a = tf.placeholder(tf.float32, shape=(2), name="input")
b = tf.placeholder(tf.float32, shape=(4,2), name="input")
result = a+b
with tf.session() as sess:
#run()函式原型run(self,fetches, feed_dict, options, run_metadata)
#fetches引數接受result,feed_dict引數指定了需要提供的值
res1 = sess.run(result, feed_dict=)
print(result)
print(res1)

在tensorflow中宣告乙個變數需要使用變數宣告函式——variable()。因為變數在宣告時就需要進行初始化，所以函式內部需要給出變數初始化的方法。如下所示：

a = tf.variable(tf.random_normal([3,4],stddev=1))

get_variable()函式用於請求獲取變數，其使用方法和variable()函式基本相同。

varibale_scope()函式結合上下文管理器(with)生成乙個變數空間。

name_scope()函式類似於variable_scope()函式的變數空間管理功能。

TensorFlow程式設計策略

TensorFlow 程式設計概念

TensorFlow程式設計結構

TensorFlow與PyTorch程式設計方式不同

TensorFlow程式設計策略

TensorFlow 程式設計概念

TensorFlow程式設計結構

TensorFlow與PyTorch程式設計方式不同

相關推薦