TensorFlow Core
TensorFlow Core 程序看作由两个互相独立的部分组成：
- 构建计算图 (tf.Graph)
- 运行计算图（tf.Session)
计算图是静态的，只有通过Session运行，进行动态运算才能得到结果
计算图
会话 (Session)
定义好图后，session运行才能得到结果
a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0) # also tf.float32 implicitly
total = a + b
sess = tf.Session()
print(sess.run(total))
输出结果
7.0
数据
- 供给placehold
- 数据集
- 特征列
供给placehold
图可以参数化以便接受外部输入，也称为占位符。占位符表示承诺在稍后提供值，它就像函数参数。
示例代码
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
z = x + y
print(sess.run(z, feed_dict={x: 3, y: 4.5}))
print(sess.run(z, feed_dict={x: [1, 3], y: [2, 4]}))
上述操作的结果是输出以下内容：
7.5
[ 3. 7.]
数据集
数据集是将数据流式传输到模型的首选方法。要从数据集中获取可运行的 tf.Tensor，您必须先将其转换成 tf.data.Iterator，然后调用迭代器的 get_next 方法。
示例代码
my_data = [
[0, 1,],
[2, 3,],
[4, 5,],
[6, 7,],
]
slices = tf.data.Dataset.from_tensor_slices(my_data)
next_item = slices.make_one_shot_iterator().get_next()
while True:
try:
print(sess.run(next_item))
except tf.errors.OutOfRangeError:
break
输出
[0 1]
[2 3]
[4 5]
[6 7]
特征列
见前文 >>>
层layer
- 创建层
- 初始化
- 执行
示例代码
#创建
x = tf.placeholder(tf.float32, shape=[None, 3])
linear_model = tf.layers.Dense(units=1)
y = linear_model(x)
#初始化
init = tf.global_variables_initializer()
sess.run(init)
#执行
print(sess.run(y, {x: [[1, 2, 3],[4, 5, 6]]}))
#输出结果
[[-3.41378999]
[-9.14999008]]
训练
- 定义数据
- 定义模型
- 损失和优化器
- 训练
示例代码
x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)
y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)
linear_model = tf.layers.Dense(units=1)
y_pred = linear_model(x)
loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(loss)
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
for i in range(100):
_, loss_value = sess.run((train, loss))
print(loss_value)
print(sess.run(y_pred))
最后预测的结果y_pred和实际值y_true的比较
print(sess.run(y_pred))
[[-0.6822085] #y_true = 0
[-1.3305767] #y_true = -1
[-1.9789449] #y_true = -2
[-2.627313 ]] #y_true = -3
几个概念
- batchsize：批大小，也就是在一次模型迭代/训练过程中所使用的样本数目
- iteration：1个iteration等于使用batchsize个样本训练一次；
- epoch：1个epoch等于使用训练集中的全部样本训练一次；也就是训练整个数据集的重复数。
举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100次iteration，1次epoch
调试工具TensorBoard
首先将计算图保存为 TensorBoard 摘要文件，具体操作如下所示：
a = tf.constant(3.0, dtype=tf.float32)
b = tf.constant(4.0) # also tf.float32 implicitly
total = a + b
writer = tf.summary.FileWriter('.')
writer.add_graph(tf.get_default_graph())
这将在当前目录中生成一个 event 文件，其名称格式如下：
events.out.tfevents.{timestamp}.{hostname}
现在，在新的终端中使用以下 shell 命令启动 TensorBoard：
tensorboard --logdir .
生成结果在命令行中有网址，拷贝到浏览器打开如下：
