TensorFlow核心概念与实践-优快云博客

一、核心

数据模型：张量；

张量：

n维数据集合，由秩、形状和类型标识。

秩：张量维数（0-标量，1-矢量，2-矩阵）；形状：每维长度的列表；类型：tf.float16/32/64，tf.(u)int8/16/32,tf.bool/string

编程模型：数据流图、计算图；

执行模型：初始节点，触发(firing)节点。

二、会话

1.Session与InteractiveSession

InteractiveSession创建的为默认对话，不需要指定会话上下文来确定稍后执行的命令，既不需要with sess或sess.obj.eval()来执行,在with语句中创建、使用会话可确保会话在块执行完时自动关闭。

2.sess.run(tensor/operation)与tensor.eval

eval() 其实就是tf.Tensor的Session.run() 的另外一种写法，但两者有差别

eval(): 将字符串string对象转化为有效的表达式参与求值运算返回计算结果
eval()也是启动计算的一种方式。基于Tensorflow的基本原理，首先需要定义图，然后计算图，其中计算图的函数常见的有run()函数，如sess.run()。同样eval()也是此类函数，
eval()只能用于tf.Tensor类对象，也就是有输出的Operation。对于没有输出的Operation, 可以用.run()或者Session.run()；Session.run()没有这个限制。

三、张量的创建方式

创建常量：tf.constant(value,dtype=,shape=,name=)
创建操作(!张量形式)：算术运算（tf.add,tf.subtract,tf.multiply,tf.div/divide），数学操作(tf.abs/negative/sign/cos/sin/acos/squared_difference)，矩阵运算（tf.diag_trace/eye/transpose/norm）,张量运算（tf.tensor_dot），字符串操作（tf.encode_base64/decode_base64/string_join）
占位符tf.place_holder(dtype,shape,name)，使用feeddict传入操作数，sess.run(op4,feed_dict={p1:2,p2:3})
Python(numpy)对象转换：tf.convert_to_tensor(value,shape,name)，
创建变量(与placeholder区别：定义时需赋初值&输入值会随时间改变pholder不会)：tf.Variable(init_value,dtype,name)。

变量使用前必须先初始化：某变量var.initializer();tf.variables_initializer()初始化一组变量;tf.global_variables_initializer().run()全局。

6.生成函数（用在Variable内）

相同值填充：tf.zeros(shape,dtype,name);tf.zeros_like(tensor,dtype,name,optimize=True)创建于参数形状相同值全为0的张量;ones();ones_like,fill(dims,value,name)按给定维数创建张量并将元素填充为value，dims为一tuple。
序列填充：tf.lin_space(start,stop,num,name);tf.range(start,limit,delta=1,dtype,name)start可省默认0，delta为增量，limit不包含。
随机分布填充：tf.random_normal(shape,mean=0.0,stddev=1.0,dtype=tf.float32,seed=None,name=None)生成指定形状的张量用正态分布值填充；tf.truncated_normal(shape,mean,stddev,seed,name)截断正态分布填充（所有值的偏差小于两个标准差）;random_uniform(shape,minval=0,maxval,dtype,seed,name)均匀分布7.random_gamma(shape,alpha,beta,stype,seed,nameget_variable(name,shape,dtype,initializer)获取变量:若该名称变量已定义则返回，否则创建。Tf.get_local_variable()用于分布式tf获取局部变量。

四、计算图

计算图（与数据流图）：由节点和边组成，节点代表操作（tf.Operation），边代表传递的张量(tf.Tensor)

默认计算图：tf.get_default_graph()
节点依赖&顺序执行&延迟加载（节点本身或依赖于其的节点被请求执行时，该节点才会执行）。

Tf.Graph.control_dependencies()函数控制节点执行顺序: with graph_variable.control_dependecies([节点列表]): #块中节点仅在列表中节点执行后执行

计算图可以分成多个部分由不同设备（CPU&GPU）执行：tf.python.client.device_lib.list_local_devices()列出可执行计算图的所有设备

设置执行设备：with tf.device('/device:CPU:0'):定义节点等。

默认放置：简单放置规则，顺序为之前放置的设备>通过tf.device()设置的设备>GPU>CPU。

运行时输出执行设备：config=tf.ConfigProto(),config.log_device_placement=True. With tf.Session(config=config) as sess: #
软放置：config.allow_soft_placement=True，tf不具有设置的GPU的操作实现（内核）或设备不存在时，允许自动放置。
GPU内存处理config.gpu_options.per_process_gpu_memory_fraction=0.5;config.gpu_options.allow_growth=True.
创建计算图&计算子图 g=tf.Graph() with g.as_default(): #定义节点 with tf.Session(graph=g) as sess: sess.run(节点)

五、TensorBoard

TensorBoard：可视化计算图结构，绘制执行摘要

步骤：创建图节点-添加节点摘要tf.Summary()-合并摘要tf.summary.merge_all()，生成序列化的Summary ProtocalBuffers对象-创建tf.summary.FileWriter(save_dir,sess.graph)记录SBP对象-命令tensorboard --logdir=save_dir启动tensorboard。