机器学习准备工作:TensorFlow 基础知识

@高效码农  May 11, 2019

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
    • 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\'5
  • 矢量是一维数组(一阶张量)。例如,[2, 3, 5, 7, 11][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 (也称为计算图数据流图)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.constanttf.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())


添加新评论