『TensorFlow』常用函数实践笔记

Posted 叠加态的猫

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』常用函数实践笔记相关的知识,希望对你有一定的参考价值。

本文及相关索引已经过时,拥抱2.0吧。另外这几年TF的官方文档比之前整洁了不少,建议学习以官方文档为主。

TensorFlow2.x快速入门:https://tf.wiki/zh/basic/tools.html

+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

TensorFlow:官方文档

TensorFlow:项目地址

本篇列出文章对于全零新手不太合适,可以尝试TensorFlow入门系列博客,搭配其他资料进行学习。

Keras使用tf.Session训练方法教程

一、API介绍

基础操作列表

『TensorFlow』0.x_&_1.x版本框架改动汇总

『TensorFlow』函数查询列表_数值计算

『TensorFlow』函数查询列表_张量属性调整

『TensorFlow』简单的数学计算

『TensorFlow』变量初始化

 

常用基础操作

『TensorFlow』pad图片

『TensorFlow』滑动平均

『TensorFlow』one_hot化标签

『TensorFlow』张量尺寸获取

『TensorFlow』张量拼接_调整维度_切片

『TensorFlow』简单的数学计算

 

流程控制

『TensorFlow』流程控制

『TensorFlow』流程控制之tf.identity

『PyTorch』第六弹_最小二乘法对比PyTorch和TensorFlow   :参数更新机制分析,流程控制初探

 

神经网络构建

『TensorFlow』函数查询列表_神经网络相关

『TensorFlow』网络操作API_上   :卷积层,池化层,激活函数(含dropout和bias_add)

 

层/网络解析与实现

『TensorFlow』批处理类

『TensorFlow』layer封装合集

『TensotFlow』转置卷积

『TensotFlow』深层循环神经网络

『TensorFlow』卷积层池化层API对应数学过程

『教程』CapsNet 架构 & TensorFlow 实现

 

『TensorFlow』降噪自编码器设计

『TensorFlow』单&双隐藏层自编码器设计

『TensorFlow』读书笔记_SoftMax分类器

『TensorFlow』读书笔记_降噪自编码器

『TensorFlow』读书笔记_多层感知机

『TensorFlow』读书笔记_简单卷积神经网络

『TensorFlow』读书笔记_进阶卷积神经网络_上

『TensorFlow』读书笔记_进阶卷积神经网络_下

『TensorFlow』读书笔记_AlexNet

『TensorFlow』读书笔记_VGGNet

『TensorFlow』读书笔记_Inception_V3_上

『TensorFlow』读书笔记_Inception_V3_下

『TensorFlow』读书笔记_ResNet_V2

『TensorFlow』读书笔记_Word2Vec

『PyTorch × TensorFlow』第十七弹_ResNet快速实现

 

优化器&梯度操作

.minimize

  • compute_gradients
  • apply_gradients

『TensorFlow』网络操作API_下   :优化器相关接口

『TensorFlow』梯度优化相关   :梯度操作

 

集合操作与正则化实现

『TensorFlow』正则化添加方法整理

『TensorFlow』使用集合collection控制variables

#集合转换为字典,{节点名:输出张量值}
end_points = slim.utils.convert_collection_to_dict(end_points_collection)

# 收集 & 获取 变量
tf.add_to_collection("loss",mse_loss)
tf.add_n(tf.get_collection("loss"))

 

损失函数

L2正则化损失

『TensorFlow』交叉熵API介绍

『TensorFlow』网络操作API_中   :损失函数以及分类器

 

模型载入

『TensorFlow』模型载入方法汇总

 

命令行解析

『Argparse』命令行解析

『TensorFlow』命令行参数解析

 

线程操作&数据读取

Dataset API读取数据

『TensorFlow』数据读取类_data.Dataset

传统数据读取方法

『TensorFlow』从磁盘读取数据

十图详解TensorFlow数据读取机制

『TensorFlow』读书笔记_TFRecord学习

『TensorFlow』TFR数据预处理探究以及框架搭建    :基于queue处理TFR数据

 

『TensorFlow』线程控制器类&变量作用域

线程控制器原理:

监视tensorflow所有后台线程,有异常出现(主要是越界,资源循环完了)时,其should_stop方法就会返回True,而它的request_stop方法则用于要求各个线程安全退出。需要使用local变量,初始化时注意。

常规图片数据读取方式:

img_bytes = tf.read_file(FLAGS.style_image)

image = tf.image.decode_png(img_bytes)

涉及队列操作时报错可能解决办法

OutOfRangeError (see above for traceback): FIFOQueue \'_1_input_producer\' is closed and has insufficient elements (requested 1, current size 0) [[Node: ReaderReadV2 = ReaderReadV2[_device="/job:localhost/replica:0/task:0/cpu:0"](WholeFileReaderV2, input_producer)]]

因为局部变量(local variables)没有初始化,将初始化变量语句改为

        全局变量初始化:tf.global_variables_initializer().run()

        局部变量初始化:tf.local_variables_initializer().run()

不再报错。局部变量很少,一般都是系统自己创建的变量,如记录训练进度的epoch。

 

可视化相关

『TensorFlow』第三弹_可视化框架介绍_悄悄问圣僧

『TensorFlow』第三弹_可视化程序实战_女儿美不美

ctrl + 鼠标滑轮 可以放大&缩小tensorboard中所有的页面

命名空间设置好:添加记录节点 -> 汇总记录节点 -> run汇总节点 -> [书写器生成]书写入文件 [-> 刷新缓冲区]

# 书写器生成,会自动记录指定图
tf.summary.FileWriter(\'./\', sess.graph) 
# 张量记录
tf.summary.histogram(layer_name+\'/weights\',Weights)
# 标量记录
tf.summary.scalar = (\'loss\',cross_entropy)
# 记录激活
merged = tf.summary.merge_all()
# 书写器生成
train_writer = tf.summary.FileWriter(\'logs/train\',sess.graph)
 # run记录
train_result = sess.run(merged, feed_dict={xs: X_train, ys: y_train, keep_prob:1})
# 书写记录
train_writer.add_summary(train_result,i)
# 刷新缓冲区,立即写入文件
train_writer.flush()

 

slim模块

slim源码

『TensorFlow』slim高级模块

 

二、TensorFlow的tips

节点和张量

节点张量铺设好了之后,只要不加sess.run(),可以运行脚本检查张量节点是否匹配,无需传入实际数据流。

\'conv1\'指节点,\'conv1:0\'指节点输出的第一个张量。

sess上下文环境中的函数调用即使不传入sess句柄,函数体内也存在于默认的sess环境中,可以直接sess.run()。

image_holder = tf.placeholder(tf.float32,[None, None, None, 3]),使用None回避指定大小。

sess实际运行单机模式时,会提取目标节点的所有前置依赖构建成子图,然后按照设备划分成多个局部图,局部图根据依赖先后关系对节点进行加载

设备指定使用tf.device(\'/cpu:0\')上下文操作,且支持嵌套,逻辑于slim的scope一致

 

查看信息版本安装路径

import tensorflow as tf
tf.__version__  # 版本
tf.__path_      # 路径
# __看着是一个下划线,实际上是两个下划线

 

通常张量的Feed

『TensotFlow』基础RNN网络回归问题

TensorFlow中所有张量而不仅是占位符都是可以feed的,如果有feed,其优先级大于图中的计算流程。

 

以上是关于『TensorFlow』常用函数实践笔记的主要内容,如果未能解决你的问题,请参考以下文章

TensorFlow学习笔记

人工智能实践:tensorflow笔记-第五周

tensorflow笔记:使用tf来实现word2vec

tensorflow笔记:使用tf来实现word2vec

『Python』常用函数实践笔记

Tensorflow学习笔记:变量,常用类和一些操作