常用集合: Variable, Summary, 自定义

最新推荐文章于 2022-06-11 20:51:46 发布

小支525

最新推荐文章于 2022-06-11 20:51:46 发布

阅读量259

点赞数

本文介绍了TensorFlow中集合与Variable的使用。TensorFlow用集合组织不同对象，有Variable、Summary等常用集合，还可自定义集合。Variable用于表达、更新和存储模型参数，使用前需初始化。同时介绍了Summary的监测作用及查看方法，以及自定义集合组织对象的操作。

转载 https://blog.youkuaiyun.com/shenxiaolu1984/article/details/52815641

集合

tensorflow用集合colletion组织不同类别的对象。tf.GraphKeys中包含了所有默认集合的名称。

collection提供了一种“零存整取”的思路：在任意位置，任意层次都可以创造对象，存入相应collection中；创造完成后，统一从一个collection中取出一类变量，施加相应操作。

例如，tf.Optimizer只优化tf.GraphKeys.TRAINABLE_VARIABLES中的变量。

本文介绍几个常用集合
- Variable集合：模型参数
- Summary集合：监测
- 自定义集合

Variable

Variable被收集在名为tf.GraphKeys.VARIABLES的colletion中

定义

Tensorflow使用Variable类表达、更新、存储模型参数。

Variable是在可变更的，具有保持性的内存句柄，存储着Tensor。必须使用Tensor进行初始化。

k = tf.Variable(tf.random_normal([]), name='k')1

创建的Variable被添加到默认的collection中。

初始化

在整个session运行之前，图中的全部Variable必须被初始化。

1. sess = tf.Session()

2. init = tf.initialize_all_variables()

3. sess.run(init)

在执行完初始化之后，Variable中的值生成完毕，不会再变化。

特别强调：Variable的值在sess.run(init)之后就确定了；Tensor的值要在sess.run(x)之后才确定。

获取

和Tensor, Operation一样，Variable也是全局的。
可以通过tf.all_variables()查看所有tf.GraphKeys.VARIABLES中的对象：

# example for y = k*x
x = tf.constant(1.0, shape=[]) # 0D tensor
k = tf.Variable(tf.constant(0.5, shape=[]) )
y = tf.mul(x, k)
v = tf.all_variables()12345

也可以用通用方法直接访问collection：

v = tf.get_collection(tf.GraphKeys.VARIABLES)

各类Variable

另外，tensorflow还维护另外几个collection：

见原博客

Summary

Summary被收集在名为tf.GraphKeys.SUMMARIES的colletion中

定义

Summary是对网络中Tensor取值进行监测的一种Operation。这些操作在图中是“外围”操作，不影响数据流本身。

用例

我们模仿常见的训练过程，创建一个最简单的用例。

# 迭代的计数器
global_step = tf.Variable(0, trainable=False)
# 迭代的+1操作
increment_op = tf.assign_add(global_step, tf.constant(1))
# 实例应用中，+1操作往往在`tf.train.Optimizer.apply_gradients`内部完成。

# 创建一个根据计数器衰减的Tensor
lr = tf.train.exponential_decay(0.1, global_step, decay_steps=1, decay_rate=0.9, staircase=False)

# 把Tensor添加到观测中
tf.scalar_summary('learning_rate', lr)

# 并获取所有监测的操作`sum_opts`
sum_ops = tf.merge_all_summaries()

# 初始化sess
sess = tf.Session()
init = tf.initialize_all_variables()
sess.run(init)  # 在这里global_step被赋初值

# 指定监测结果输出目录
summary_writer = tf.train.SummaryWriter('/tmp/log/', sess.graph)

# 启动迭代
for step in range(0, 10):
    s_val = sess.run(sum_ops)    # 获取serialized监测结果：bytes类型的字符串
    summary_writer.add_summary(s_val, global_step=step)   # 写入文件
    sess.run(increment_op)     # 计数器+1

调用tf.scalar_summary系列函数时，就会向默认的collection中添加一个Operation。

再次回顾“零存整取”原则：创建网络的各个层次都可以添加监测；在添加完所有监测，初始化sess之前，统一用tf.merge_all_summaries获取。