TensorFlow代码初识
Posted kadaj174
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了TensorFlow代码初识相关的知识,希望对你有一定的参考价值。
直接看代码
import tensorflow as tf # tf.Variable生成的变量,每次迭代都会变化, # 这个变量也就是我们要去计算的结果,所以说你要计算什么,你是不是就把什么定义为Variable ‘‘‘ TensorFlow程序可以通过tf.device函数来指定运行每一个操作的设备。 这个设备可以是本地的CPU或者GPU,也可以是某一台远程的服务器。 TensorFlow会给每一个可用的设备一个名称,tf.device函数可以通过设备的名称,来指定执行运算的设备。比如CPU在TensorFlow中的名称为/cpu:0。 在默认情况下,即使机器有多个CPU,TensorFlow也不会区分它们,所有的CPU都使用/cpu:0作为名称。 –而一台机器上不同GPU的名称是不同的,第n个GPU在TensorFlow中的名称为/gpu:n。 –比如第一个GPU的名称为/gpu:0,第二个GPU名称为/gpu:1,以此类推。 –TensorFlow提供了一个快捷的方式,来查看运行每一个运算的设备。 –在生成会话时,可以通过设置log_device_placement参数来打印运行每一个运算的设备。 –除了可以看到最后的计算结果之外,还可以看到类似“add: /job:localhost/replica:0/task:0/cpu:0”这样的输出 –这些输出显示了执行每一个运算的设备。比如加法操作add是通过CPU来运行的,因为它的设备名称中包含了/cpu:0。 –在配置好GPU环境的TensorFlow中,如果操作没有明确地指定运行设备,那么TensorFlow会优先选择GPU ‘‘‘ with tf.device(‘/cpu:0‘): x = tf.Variable(3, name=‘x‘) y = tf.Variable(4, name=‘y‘) f = x*x*y + y + 2 # 创建一个计算图的一个上下文环境 # 配置里面是把具体运行过程在哪里执行给打印出来 sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) # 碰到session.run()就会立刻去调用计算 sess.run(x.initializer) sess.run(y.initializer) result = sess.run(f) print(result) sess.close()
通常session操作
import tensorflow as tf x = tf.Variable(3, name=‘x‘) y = tf.Variable(4, name=‘y‘) f = x*x*y + y + 2 # 在with块内部,session被设置为默认的session with tf.Session() as sess: x.initializer.run() # 等价于 tf.get_default_session().run(x.initializer) y.initializer.run() result = f.eval() # 等价于 tf.get_default_session().run(f) print(result)
全局变量初始化
import tensorflow as tf x = tf.Variable(3, name=‘x‘) y = tf.Variable(4, name=‘y‘) f = x*x*y + y + 2 # 可以不分别对每个变量去进行初始化 # 并不立即初始化,在run运行的时候才初始化 init = tf.global_variables_initializer() with tf.Session() as sess: init.run() result = f.eval() print(result)
import tensorflow as tf x = tf.Variable(3, name=‘x‘) y = tf.Variable(4, name=‘y‘) f = x*x*y + y + 2 init = tf.global_variables_initializer() # InteractiveSession和常规的Session不同在于,自动默认设置它自己为默认的session # 即无需放在with块中了,但是这样需要自己来close session,但在Jupyter可方便使用 sess = tf.InteractiveSession() init.run() result = f.eval() print(result) sess.close() # TensorFlow程序会典型的分为两部分,第一部分是创建计算图,叫做构建阶段, # 这一阶段通常建立表示机器学习模型的的计算图,和需要去训练模型的计算图, # 第二部分是执行阶段,执行阶段通常运行Loop循环重复训练步骤,每一步训练小批量数据, # 逐渐的改进模型参数
图的管理
import tensorflow as tf # 任何创建的节点会自动加入到默认的图 x1 = tf.Variable(1) print(x1.graph is tf.get_default_graph()) # 大多数情况下上面运行的很好,有时候或许想要管理多个独立的图 # 可以创建一个新的图并且临时使用with块是的它成为默认的图 graph = tf.Graph() x3 = tf.Variable(3) with graph.as_default(): x2 = tf.Variable(2) print(x2.graph is graph) print(x2.graph is tf.get_default_graph()) print(x3.graph is tf.get_default_graph())
图的生命周期
import tensorflow as tf # 当去计算一个节点的时候,TensorFlow自动计算它依赖的一组节点,并且首先计算依赖的节点 w = tf.constant(3) x = w + 2 y = x + 5 z = x * 3 with tf.Session() as sess: print(y.eval()) # 这里为了去计算z,又重新计算了x和w,除了Variable值,tf是不会缓存其他比如contant等的值的 # 一个Variable的生命周期是当它的initializer运行的时候开始,到会话session close的时候结束 print(z.eval()) # 如果我们想要有效的计算y和z,并且又不重复计算w和x两次,我们必须要求TensorFlow计算y和z在一个图里 with tf.Session() as sess: y_val, z_val = sess.run([y, z]) print(y_val) print(z_val)
以上是关于TensorFlow代码初识的主要内容,如果未能解决你的问题,请参考以下文章
初识Spring源码 -- doResolveDependency | findAutowireCandidates | @Order@Priority调用排序 | @Autowired注入(代码片段