学习笔记TF007:Tensor、Graph、Op、Variable、占位符、Session、名称作

Aldous 发布于2019-06-26 19:32 / 3081人阅读

摘要：输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出累加均值到磁盘。与交换工作流分开，独立名称作用域包含对象，存储输出累加和，记录数据流图运行次数。

输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出、累加、均值到磁盘。

[None]代表任意长度向量，[]代表标量。update环节更新各Variable对象以及将数据传入TensorBoard汇总Op。与交换工作流分开，独立名称作用域包含Variable对象，存储输出累加和，记录数据流图运行次数。独立名称作用域包含TensorBoard汇总数据，tf.scalar_summary Op。汇总数据在Variable对象更新完成后才添加。

构建数据流图。
导入TensorFlow库。Graph类构造方法tf.Graph()，显式创建Graph对象。两个“全局”Variable对象，追踪模型运行次数，追踪模型所有输出累加和。与其他节点区分开，放入独立名称作用域。trainable=False设置明确指定Variable对象只能手工设置。
模型核心的变换计算，封装到名称作用域"transformation"，又划分三个子名称作用域"input"、"intermediate_layer"、"output"。.multiply、.add只能接收标量参数，.reduce_prod、. reduce_sum可以接收向量参数。
在"update"名称作用域内更新Variable对象。.assign_add实现Variable对象递增。
在"summaries"名称作用域内汇总数据供TensorBoard用。.cast()做数据类型转换。.summary.scalar()做标量数据汇总。
在"global_ops"名称作用域创建全局Operation(Op)。初始化所有Variable对象。合并所有汇总数据。

运行数据流图。
.Session()启动Session对象，graph属性加载Graph对象，.summary.FileWriter()启动FileWriter对象，保存汇总数据。
初始化Variable对象。
创建运行数据流图辅助函数，传入向量，运行数据流图，保存汇总数据。创建feed_dict参数字典，以input_tensor替换a句柄的tf.placeholder节点值。使用feed_dict运行output不关心存储，运行increment_step保存到step，运行merged_summaries Op保存到summary。添加汇总数据到FileWriter对象，global_step参数随时间图示折线图横轴。
变换向量长度多次调用运行数据流图辅助函数。.flush()把汇总数据写入磁盘。

查看数据流图。
Graph标签，变换运算流入update方框，为summaries、variables提供输入，global_ops包含变换计算非关键运算。输入层、中间层、输出层分离。
Scalars标签，summary.scalar对象标签查看不同时间点汇总数据变化。

import tensorflow as tf#导入TensorFlow库
#构建数据流图
graph = tf.Graph()#显式创建Graph对象
with graph.as_default():#设为默认Graph对象
with tf.name_scope("variables"):#创建Variable对象名称作用域
    global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")#记录数据流图运行次数的Variable对象，初值为0，数据类型为32位整型，不可自动修改，以global_step标识
    total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")#追踪模型所有输出累加和的Variable对象，初值为0.0，数据类型为32位浮点型，不可自动修改，以total_output标识
with tf.name_scope("transformation"):#创建变换计算Op名称作用域
    with tf.name_scope("input"):#创建独立输入层名称作用域
        a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")#创建占位符，接收一个32位浮点型任意长度的向量作为输入，以input_placeholder_a标识
    with tf.name_scope("intermediate_layer"):#创建独立中间层名称作用域
        b = tf.reduce_prod(a, name="product_b")#创建创建归约乘积Op，接收张量输入，输出张量所有分量(元素)的乘积，以product_b标识
        c = tf.reduce_sum(a, name="sum_c")#创建创建归约求和Op，接收张量输入，输出张量所有分量(元素)的求和，以sum_c标识
    with tf.name_scope("output"):#创建独立输出层名称作用域
        output = tf.add(b, c, name="output")#创建创建求和Op，接收两个标量输入,输出标量求和,以output标识
with tf.name_scope("update"):
    update_total = total_output.assign_add(output)#用最新的输出更新Variable对象total_output
    increment_step = global_step.assign_add(1)#增1更新Variable对象global_step，记录数据流图运行次数
with tf.name_scope("summaries"):#创建数据汇总Op名称作用域
    avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")#计算平均值，输出累加和除以数据流图运行次数，把运行次数数据类型转换为32位浮点型，以average标识
    tf.summary.scalar(b"output_summary",output)#创建输出节点标量数据统计汇总，以output_summary标识
    tf.summary.scalar(b"total_summary",update_total)#创建输出累加求和标量数据统计汇总，以total_summary标识
    tf.summary.scalar(b"average_summary",avg)#创建平均值标量数据统计汇总，以average_summary标识
with tf.name_scope("global_ops"):#创建全局Operation(Op)名称作用域
    init = tf.global_variables_initializer()#创建初始化所有Variable对象的Op
    merged_summaries = tf.summary.merge_all()#创建合并所有汇总数据的Op
#运行数据流图
sess = tf.Session(graph=graph)#用显式创建Graph对象启动Session会话对象
writer = tf.summary.FileWriter("./improved_graph", graph)#启动FileWriter对象，保存汇总数据
sess.run(init)#运行Variable对象初始化Op
def run_graph(input_tensor):#定义数据注图运行辅助函数
    """
    辅助函数：用给定的输入张量运行数据流图，
    并保存汇总数据
    """
    feed_dict = {a: input_tensor}#创建feed_dict参数字典，以input_tensor替换a句柄的tf.placeholder节点值
    _, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)#使用feed_dict运行output不关心存储，运行increment_step保存到step，运行merged_summaries Op保存到summary
    writer.add_summary(summary, global_step=step)#添加汇总数据到FileWriter对象，global_step参数时间图示折线图横轴
#用不同的输入用例运行数据流图
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
writer.flush()#将汇总数据写入磁盘
writer.close()#关闭FileWriter对象，释放资源
sess.close()#关闭Session对象，释放资源

参考资料：
《面向机器智能的TensorFlow实践》

欢迎加我微信交流：qingxingfengzi
我的微信公众号:qingxingfengzigz
我老婆张幸清的微信公众号：qingqingfeifangz

idc机房托管专线服务占位符 asp占位符 php 占位符 python 占位符

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/20104.html

学习笔记TF007:Tensor、Graph、Op、Variable、占位符、Session、名称作

摘要：输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出累加均值到磁盘。与交换工作流分开，独立名称作用域包含对象，存储输出累加和，记录数据流图运行次数。输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出、累加、均值到磁盘。 [None]代表...

lakeside 2019-07-31 10:56 评论0 收藏0
学习笔记TF007:Tensor、Graph、Op、Variable、占位符、Session、名称作

摘要：输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出累加均值到磁盘。与交换工作流分开，独立名称作用域包含对象，存储输出累加和，记录数据流图运行次数。输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出、累加、均值到磁盘。 [None]代表...

wzyplus 2019-06-26 19:32 评论0 收藏0
学习笔记TF007:Tensor、Graph、Op、Variable、占位符、Session、名称作

摘要：输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出累加均值到磁盘。与交换工作流分开，独立名称作用域包含对象，存储输出累加和，记录数据流图运行次数。输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出、累加、均值到磁盘。 [None]代表...

Pines_Cheng 2019-06-26 15:42 评论0 收藏0
第1话 TensorFlow基础概念（计算图、张量、会话、常量、变量、占位符）

摘要：张量的命名形式，为节点的名称，表示当前张量来自来自节点的第几个输出。，要求的输入对象是一个但是它的输出是一个数组输出其他基本概念常量变量占位符常量中使用常量很简单，如，。返回的的类型返回的的形状的名字布尔值，用于验证值的形状。 showImg(https://segmentfault.com/img/bVbvlKO?w=4938&h=1679);（代码基于tensorflow 1.14...

makeFoxPlay 2019-07-31 11:27 评论0 收藏0
tensorflow

好的，下面是一篇关于TensorFlow编程技术的文章： TensorFlow是一种非常流行的机器学习框架，它被广泛应用于各种领域，包括计算机视觉、自然语言处理、语音识别等。如果你想学习TensorFlow，那么你需要掌握一些基本的编程技术。在这篇文章中，我们将介绍一些TensorFlow编程技术，帮助你更好地理解和使用这个强大的框架。 1. 张量（Tensor） TensorFlow中最基...

littlelightss 2023-04-25 14:06 评论0 收藏565