Python中Tensor FLow怎么用

這篇文章主要為大家展示了“Python中Tensor FLow怎么用”，內容簡而易懂，條理清晰，希望能夠幫助大家解決疑惑，下面讓小編帶領大家一起研究并學習一下“Python中Tensor FLow怎么用”這篇文章吧。

1、基礎概念

Tensor表示張量，是一種多維數組的數據結構。Flow代表流，是指張量之間通過計算而轉換的過程。TensorFLow通過一個計算圖的形式表示編程過程，數據在每個節點之間流動，經過節點加工之后流向下一個節點。

計算圖是一個有向圖，其組成如下：節點：代表一個操作。邊：代表節點之間的數據傳遞和控制依賴，其中實線代表兩個節點之間的數據傳遞關系，虛線代表兩個節點之間存在控制相關。

張量是所有數據的表示形式，可以將其理解為一個多維數組。零階張量就是標量（scalar），表示一個數，一階張量為一維數組，即向量（vector）。n階張量也就是n維數組。張量并不保存具體數字，它保存的是計算過程。

下面的例子是將節點1、2的值相加得到節點3。

import tensorflow as tf 
node1=tf.constant(3.0,tf.float32,name='node1')  #創建浮點數節點
node2=tf.constant(4.0,tf.float32,name='node2')
node3=tf.add(node1,node2)       #節點三進行相加操作,源于節點1、2
ses=tf.Session()
print(node3)      #輸出張量：Tensor("Add_3:0", shape=(), dtype=float32)
print(ses.run(node3))    #通過會話運行節點三，將節點1、2相加，輸出：7.0
ses.close()           #不使用時，關閉會話

直接print(node3)輸出的結果不是具體的值，而是張量結構。因為創建計算圖只是建立了計算模型，只有會話執行run()才能獲得具體結果。

Tensor("Add_3:0", shape=(), dtype=float32)中，Add表示節點名稱，3表示這是該節點的第3個輸出。shape表示張量的維度信息，()代表標量。dtype表示張量的類型，每個張量的類型唯一，如果不匹配會報錯，不帶小數點的默認類型為int32，帶小數點默認為float35。下面的例子為更復雜的張量類型：

tensor1=tf.constant([[[1,1,1],[1,2,1]],
     [[2,1,1],[2,2,1]],
     [[3,1,1],[3,2,1]],
     [[4,1,1],[4,2,1]]],name='tensor1')
print(tensor1)
ss=tf.Session()
print(ss.run(tensor1)[3,0,0])     #訪問tensor1的具體元素
#輸出：Tensor("tensor1:0", shape=(4, 2, 3), dtype=int32) 4

其中shape=(4,2,3)表示tensor1的最外層有4個數組，每個數組內有2個子數組，子數組由3個數字構成。可以通過多維數組的方式訪問其中的具體元素，[3,0,0]即為第四個數組中第一個子數組的第一個元素，4。

計算圖中還有的節點表示操作，例如加減乘除、賦初值等，操作有自己的屬性，需要在創建圖的時候就確定，操作之間有先后等依賴關系，通過圖的邊可以直觀地看出來。

2、運算

會話

會話（Session）擁有并管理TensorFLow的所有資源，通過Session運行計算才能得到結果，計算完成后記得關閉會話回收資源。下面是使用Session的流程：

#定義計算圖
tensor1=tf.constant([1,2,3])
#創建會話
ss=tf.Session()
#利用會話進行計算操作
print(ss.run(tensor1))
#關閉會話
ss.close()

也可以通過python上下文管理器來使用Session，當退出上下文時會自動關閉Session并釋放資源

tensor1=tf.constant([1,2,3])
with tf.Session() as ss:    #上下文管理器
 print(ss.run(tensor1))

還可以通過指定默認會話，使用eval()獲取張量的值：

tensor1=tf.constant([1,2,3])
ss=tf.Session()
with ss.as_default():     #指定默認會話
 print(tensor1.eval())

在交互式環境下通過InteractiveSession()自動將生成的會話設為默認：

tensor1=tf.constant([1,2,3])
ss=tf.InteractiveSession()     #自動注冊默認會話
print(tensor1.eval())
ss.close()

變量、常量

TensorFLow通過constant函數完成對常量的定義，可以為其賦初值與命名

a=tf.constant(10,'int_a')

而變量不僅需要定義，還需要經過初始化后才可以使用，初始化操作不僅需要定義，還需要執行

node1=tf.Variable(3.0,name='node1')    #定義變量
node2=tf.Variable(4.0,name='node2')
res=tf.add(node1,node2,name='res')
 
ss=tf.Session()        
init=tf.global_variables_initializer()   #定義全部變量的初始化操作
ss.run(init)         #執行初始化操作
 
print(ss.run(res))
ss.close()

TensorFLow的變量一般不需要手動賦值，因為系統會在訓練過程中自動調整。如果不希望由模型自動賦值，可以在定義時指定屬性trainable=False，并通過assign函數來手動賦值

var1=tf.Variable(0,name='var')
one=tf.constant(1)
var2=tf.add(var1,one)       #變量1加1得到變量2
update=tf.assign(var1,var2)     #定義update操作，將變量2賦值給變量1
 
init=tf.global_variables_initializer()
ss=tf.Session()
ss.run(init)
for _ in range(10):
 ss.run(update)        #執行update操作
 print(ss.run(var1))
 
ss.close()
 
#輸出：1 2 3 4 5 6 7 8 9 10

在執行ss.run(update)操作時，由于update需要var1和var2依賴，而得到var2需要執行add操作，因此只需要run一個update就會觸發整個計算網絡。

占位符

有時在定義變量的時候，并不知道它的具體值，只有在運行的時候才輸入對應數值，而tensorflow中變量的定義需要賦初值，這時就需要使用占位符placeholder來進行定義，并在計算時傳入具體數值。一個簡單的使用例子：

node1=tf.placeholder(tf.float32,name='node1')  #定義占位符，規定其類型、結構、名字
node2=tf.placeholder(tf.float32,name='node2') 
m=tf.multiply(node1,node2,'multinode')
 
ss=tf.Session()
res=ss.run(m,feed_dict={node1:1.2,node2:3.4})  #在運行時通過feed_dict為占位符賦值 
print(res)
ss.close()

也可以把多個操作放到一次feed操作完成

node1=tf.placeholder(tf.float32,[3],name='node1')  #第二個參數規定占位符的類型為3維數組
node2=tf.placeholder(tf.float32,[3],name='node2') 
m=tf.multiply(node1,node2,'multinode')
s=tf.subtract(node1,node2,'subnode')
 
ss=tf.Session()
#將m，s兩個操作放到一起，并返回兩個結果
resm,ress=ss.run([m,s],feed_dict={node1:[1.0,2.0,4.0],node2:[3.0,5.0,6.0]})
print(resm)           #輸出：[ 3. 10. 24.]
ss.close()

3、TensorBoard

TensorBoard是TensorFLow的可視化工具，通過程序運行中輸出的日志文件可視化地表示TensorFLow的運行狀態。其編程如下：

node1=tf.Variable(3.0,name='node1')    
node2=tf.Variable(4.0,name='node2')
res=tf.add(node1,node2,name='res')
ss=tf.Session()        
init=tf.global_variables_initializer()   
ss.run(init)         
print(ss.run(res))
ss.close()
 
#清除default graph和其他節點
tf.reset_default_graph()
#定義日志存放的默認路徑
logdir='D:\Temp\TensorLog'
#生成writer將當前的計算圖寫入日志
writer=tf.summary.FileWriter(logdir,tf.get_default_graph())
writer.close()

TensorBoard已經隨Anaconda安裝完成，首先通過Anaconda Prompt進入日志文件的存放目錄，然后輸入tensorboard --logdir=D:\Temp\TensorLog，設定日志的存放路徑，完成之后在瀏覽器的localhost:6006端口就可以看到TensorBoard，也可以通過--port命令修改默認端口。

利用TensorBoard顯示圖片，通過summary.image()將格式化的圖片數據顯示，其中輸入的image_imput數據是四維格式，第一維表示一次輸入幾行數據，-1表示不確定。28，28，1表示圖片數據為28×28大小，且其色彩通道為1。

通過summary.histogram()可以顯示直方圖數據。通過summary.scalar()可以顯示標量數據。在所有summary定義完成后，可以通過summary.merge_all()函數定義一個匯總操作，將所有summary聚合起來。

在創建session后定義writer用于日志文件的寫入，在進行訓練時，每批次訓練都將執行一次merge操作，并將結果寫入日志。

如下為通過多層神經網絡解決MNIST手寫識別問題的例子，將其中的一些數據通過TensorBoard顯示出來：

#TensorBoard使用
#定義日志保存位置
log_dir='D:\Temp\MachineLearning\TensorLog'
#顯示圖片
image_input=tf.reshape(x,[-1,28,28,1])
tf.summary.image('input',image_input,10)  #一次最多顯示圖片數：10
#顯示直方圖
tf.summary.histogram('Y',Y3)
#顯示標量loss
tf.summary.scalar('loss',loss_function)
tf.summary.scalar('accurancy',accuracy)
#定義匯總summary操作
merge_op=tf.summary.merge_all()
 
ss=tf.Session()
ss.run(tf.global_variables_initializer())
#定義writer
writer=tf.summary.FileWriter(log_dir,ss.graph)
 
for epoch in range(train_epochs):
 for batch in range(batch_num): #分批次讀取數據進行訓練
  xs,ys=mnist.train.next_batch(batch_size)
  ss.run(optimizer,feed_dict={x:xs,y:ys})
  #執行summary操作并將結果寫入日志文件
  summary_str=ss.run(merge_op,feed_dict={x:xs,y:ys})
  writer.add_summary(summary_str,epoch)
  
 loss,acc=ss.run([loss_function,accuracy],\
     feed_dict={x:mnist.validation.images,y:mnist.validation.labels})
 print('第%2d輪訓練：損失為：%9f，準確率：%.4f'%(epoch+1,loss,acc))

運行結果如下圖所示分別為圖片、accuracy、loss標量圖、Y1直方圖以及隨之生成的分布圖：

以上是“Python中Tensor FLow怎么用”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！