Tensorflow入门

1、计算图：

tensorflow的第一个词tensor表明了它的数据结构，那么flow则体现了它的计算模型。flow翻译成中文就是“流”，它直观地表达了张量之间通过计算相互转化的过程。tensorflow这一个通过计算图的形式来表述计算的编程系统。tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

在tensorflow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图。一下代码示意了如何获取默认计算图以及如何查看一个运算所属的计算图。

#通过a.graph可以查看张量所属的计算图。因为没有特意指定，所以这个计算图应等于
#当前默认的计算图。所以下面这个操作输出值为True。
print(a.graph is tf.get_default_graph( ) )

除了使用默认的计算图，tensorflow支持通过tf.Graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享。以下的代码示意了如何在不同计算图上定义和使用变量。

import tensorflow as tf

g1 = tf.graph( )
with g1.as_default( ):
   #在计算图g1中定义变量“v”，并设置初始值为0。
   v = tf.get_variable("v", shape = [1], initializer = tf.zeros_initializer)


g2 = tf.graph( )
with g2.as_default( ):
   #在计算图g2中定义变量“v”，并设置初始值为1。
   v = tf.get_variable("v", shape = [1], initializer = tf.ones_initializer)

#在计算图g1中读取变量"v"的取值
with tf.Session(graph=g1) as sess:
   tf.global_variable_initializer( ).run( )
   with tf.variable_scope("", reuse=True):
      #在计算图g1中，变量“v”的取值应该为0，所以下面这行会输出[0.]
      print(sess.run(tf.get_variable("v")))

#在计算图g2中读取变量"v"的取值
with tf.Session(graph=g2) as sess:
   tf.global_variable_initializer( ).run( )
   with tf.variable_scope("", reuse=True):
      #在计算图g2中，变量“v”的取值应该为1，所以下面这行会输出[1.]
      print(sess.run(tf.get_variable("v")))

以上代码产生了两个计算图，每个计算图中定义了一个名字为"v"的变量。在计算图g1中，将"v"初始化为0；在计算图g2中，将v初始化为1.可以看到当运行不同计算图时，变量v的值也是不一样的。tensorflow中的计算图不仅仅可以用来隔离张量和计算，它还提供了管理张量和计算的机制。计算图可以通过tf.Graph.device函数来指定运行计算的设备。这为tensorflow使用GPU提供了机制。

一下程序可以将加法计算泡在GPU上。

g = tf.Graph( )
# 指定计算运行的设备
with g.device('/gpu : 0'):
   result = a + b

通过tf.add_to_collection获取一个集合里面的所有资源。这里的资源可以是张量、变量或者运行tensorflow程序所需要的队列资源，等等。为了方便实用，tensorflow也自动管理了一些最常用的集合，下面是几个最常用的自动维护的集合。

tf.GraphKeys.VARIABLES                                    所有变量                                                           持久化tensorflow模型

tf.GraphKeys.TRAINABLE_VARIABLES               可学习的变量(一般指神经网络的参数)              模型训练、生成模型可视化的内容

tf.GraphKeys.SUMMARIES                                   日志生成相关的张量                                          tensorflow计算可视化

tf.GraphKeys.GUEUE_RUNNERS                         处理输入的GueueRunner                                  处理输入

tf.GraphKeys.MOVING_AVERAGE_VARIABLES  所有计算了滑动平均值的变量                            计算变量的滑动平均值

2、张量：

从tensorflow的名字就可以看出来张量(tensor)是一个很重要的概念。在tensorflow程序中，所有的数据都是通过张量的形式来表示，从功能的角度上看，张量可以被简单的理解为多维数组，其中零阶张量表示标量(scalar)，也就是一个数；第一阶张量为向量(vector)，也就是一个一维数组；第n阶张量可以理解为一个n维数组。但张量在tensorflow中的实现并不是直接采用数组的形式，它只是对Tensorflow中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

以向量加法为例，当运行如下代码时，并不会得到加法的结果，而会得到对结果的一个引用。

import tensorflow as tf
# tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中。
a = tf.constant([1.0, 2.0], name = "a")
b = tf.constant([2.0, 3.0], name = "b")
b = tf.add(a, b, name = 'add')
print result
'''
输出:
tensor("add:0", shape = (2,), dtype=float32)
'''

从以上代码可以看出tensorflow中的张量和numpy中的数组不同，tensorflow计算的结果不是一个具体的数字，而是一个张量的结构。从上面的代码的运行结果可以看出，一个张量中主要保存了三个属性：名字(name)、维度(shape)和类型(type)。

张量的第一个属性名字不仅是一个张量的标识符，它同样也给出了这个张量是如何计算出来的。tensorflow中所有计算都可以通过计算图的模型来建立，而计算图上的每一个节点代表了一个计算，计算的结果就保存在张量中。所以张量和计算图上节点所代表的计算结果是对应的，这样张量的命名就可以通过"node:src_output"的形式来给出。其中node为节点为节点的名称，src_output表示当前张量来自节点的第几个输出。比如上面代码打出来的“add:0”就说明了result这个张量是计算节点"add"输出的第一个结果。

张量的第二个属性是张量的维度(shape)。这个属性描述了一个张量的维度信息。比如上面样例中shape=(2,)说明了张量result是一个一维数组，这个数组的长度为2。

张量的第三个属性是类型(type)，每一个张量会有一个唯一的类型。tensorflow会对参与运算的所有张量进行类型的检查，当发现类型不匹配时会报错。比如运行一下程序时就会得到类型不匹配的错误：

import tensorflow as tf
a = tf.constant([1, 2], name = "a")
b = tf.comstant([2.0, 3.0], name = "b")
result = a + b 

这段程序和上面的样例基本一模一样，唯一不同的是把其中一个加数的小数点去掉了，这会使得加数a的类型为整数而加数b的类型为实数，这样程序会报类型不匹配的错误：

valueError: Tensor conversion requested dtype int32 for Tensor with dtype
float32: 'Tensor("b:0", shape=(2,), dtype = float32)'

如果将第一个加数指定成实数类型"a = tf.constant([1, 2], name = "a", dtype = tf.float32)"，那么两个加数的类型相同就不会报错了。如果不指定类型，tensorflow会给出默认的类型，比如不带小数点的数会被默认为int32，带小数点的默认为float32。因为使用默认类型有可能会导致潜在的类型不匹配，所以一般建议通过指定dtype来明确指出或者常量的类型。tensorflow支持14种不同的类型，主要包括了实数(tf.float32、tf.float64)，整数(tf.int8、tf.int16、tf.int64、tf.unit8)、布尔型(tf.bool)和复数(tf.complex64、tf.complex128)。

张量使用主要可以总结为两大类。第一类用途是对中间计算结果的引用。当一个计算包含很多中间结果时，使用张量可以大大提高代码的可读性。以下为使用张量和不使用张量记录中间结果来完成向量相加的功能的代码对比。

# 使用张量记录中间结果
a = tf.constant([1.0, 2.0], name = "a")
b = tf.constant([2.0, 3.0], name = "b")
result = a + b

# 直接计算向量的和，这样可读性会比较差。
result = tf.constant([1.0, 2.0], name = "a") + tf.constant([2.0, 3.0], name = "b")

a和b其实就是对常量生成这个运算结果的引用，这样在做加法时就可以直接使用这两个变量，而不需要再去生成这些常量。当计算的复杂度增加时(比如在构建深层神将网络时)通过张量来引用计算的中间结果可以使代码的可阅读性大大提升。同时，通过张量来存储中间的结果可以方便获取中间结果。比如在卷积神经网络中，卷积层或者池化层有可能改变张量的维度，通过result.get_result函数来获取结果张量的维度信息可以免去人工计算的麻烦。

3、会话：

Tensorflow中使用会话的模式一般由两种，第一种模式需要明确调用会话生成函数和关闭会话函数，这种模式的代码流程如下：

# 创建一个会话。
sess = tf.Session()
# 使用这个创建好的会话来得到关心的运算结果。比如可以调用sess.run(result).
sess.run(...)
# 关闭会话使得本次运行中使用到的资源可以被释放
sess.close()

使用这种模式时，在所有计算完成之后，需要明确调用Session.close函数来关闭会话并释放资源。然而，当程序因为异常而退出时，关闭会话的函数可能就不会被执行从而导致资源泄露。为了解决异常退出时资源释放的问题，tensorflow可以通过python的上下文管理器来使用会话。以下代码展示了如何使用这种模式。

# 创建一个会话，并通过python中的上下文管理器来管理这个会话。
with tf.Session() as sess:
     #使用创建好的会话来计算关心的结果
     sess.run(...)
# 不需要再调用"Session.close()"函数来关闭会话
#当上下文退出时会话关闭和资源释放也自动完成了。

通过python上下文管理器的机制，只有将所有的计算放在"with"的内部就可以。当上下文管理器退出时会自动释放所有资源。这样既解决了因为异常退出时资源释放的问题，同时也解决了忘记调用Session.close函数而产生的资源泄露。

前文介绍过tensorflow会自动生成一个默认的计算图，如果没有特殊指定，运算会自动加入这个计算图中。tensorflow中的会话也有类似的机制，但tensorflow不会自动生成默认的会话，而是需要手动指定。默认的会话被指定之后可以通过tf.tensor.eval函数来计算一个张量的取值。以下代码展示了通过设定默认会话计算张量的取值。

以下代码也可以完成相同的功能。

sess = tf.Session( )

#以下两个命令有相同的功能
print(sess.run(result))
print(result.eval(session=sess))

在交互式环境下(比如python脚本或者jupyter的编辑器下)，通过设置默认会话的方式来获取张量的取值更加方便。所以tensorflow提供了一种在交互式环境下直接构建默认会话的函数。这个函数就是就是tf.IneractiveSession。使用这个函数会自动生成的会话注册为默认会话。以下代码展示了tf.InteractiveSession函数的用法。

sess = tf.InteractiveSession( )
print(result.eval( ))
sess.close( )

 通过tf.InteractiveSession函数可以省去将产生的会话注册为默认会话的过程。无论使用哪种方法都可以通过ConfigProto Buffer来配置需要生成的会话。下面给出了通过ConfigProto配置会话的方法：

config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
sess1 = tf.InteractiveSession(config = config)
sess2 = tf.Session(config = config)

通过ConfigProto可以配置类似并行的线程数、GPU分配策略、运算超时时间等参数。在这些参数中，最常使用的有两个。第一个是allow_soft_placement，这是一个布尔型的参数，当它为True时，在以下任意一个条件成立时，GPU上的运算可以放到CPU上进行：

1.运算无法在GPU上执行。

2.没有GPU资源(比如运算被指定在第二个GPU上运行，但是机器只有一个GPU)。

3.运算输入包含对CPU计算结果的引用。

这个参数的默认值为False，但是为了使得代码的可移植性更强，在有GPU的环境下这个参数一般会被设置为True。不同的GPU驱动版本可能对计算的支持有略微的区别，通过将allow_soft_placement参数设置为True，当某些运算无法被当前GPU支持时，可以自动调整到CPU上，而不是报错。类似地，通过将这个参数设置为True，可以让程序在拥有不同数量的GPU机器上顺利运行。

第二个使用得比较多的配置参数是log_device_placement。这也是一个布尔型的参数，当它为True时日志中将会记录每个节点被安排在哪个设备上以方便调试。而在换将中将这个参数设置为False可以减少日志量。