注:前面的部分直接摘自参考1,并做了概括、修改和补充。
Tensorflow学习笔记(一) 基础
0.DeepLearning编程框架
- 用于参数配置:
caffe提供了很便捷的神经网络搭建和命令行工具,加之model zoo里面大量预训练好的模型(主要是图像相关的)可以做fine-tuning,因此使用在图像相关的研究和应用上非常方便。 - 用于编程实现:
Theano以及搭建于其之上的Keras和Lasagne似乎颇受research派系同学的偏爱,自动求导是它的优势之一。
MXnet对显存的利用率高,并且支持C++, Python, Julia, Matlab, JavaScript, Go, R, Scala这么多种语言,编写起来也比较简易。
Torch是facebook用的深度学习package,定义新网络层比较简单,不过Lua倒不算大家熟知的编程语言。
Tensorflow是Google提供资金研发的,比较全,支持分布式。
1.Tensorflow的名词解释
Tensorflow是Google开源的用于深度学习的框架。它的主要优点有两个:
- 所有的输入、参数输出都以张量的形式流动和传动;
- 一旦计算图(Computation Graph)绘制好,在运行图时就能够自动求导(使用BP的思路,就是链式法则反向传导误差),也就是说,你只需要写好损失函数,之后交给Tensorflow来处理就好了。
在Tensorflow里:
- 使用张量(tensor)表示数据。
- 使用图(graph)来表示计算任务。
- 在被称之为会话(Session)的上下文(context)中执行图。
- 通过变量 (Variable)维护状态。
- 使用feed和fetch可以为任意的操作(arbitrary operation)赋值或者从其中获取数据。
2.什么是张量(tensor)
张量可以看作是多重向量空间映射到实数域空间。说白了就是多维数组。
- 标量是张量(实数值映射到实数值)
- 向量是张量
- 矩阵是张量
- 矩阵的矩阵是张量
3.Tensorflow和numpy的区别
相同点:都提供n维数组
不同点:numpy里有ndarray,而Tensorflow里有tensor;numpy不提供创建张量函数和求导,也不提供GPU支持。
4.Tensorflow和numpy的操作对比
numpy定义与操作
In [23]: import numpy as np
In [24]: a = np.zeros((2,2)); b = np.ones((2,2))
In [25]: np.sum(b, axis=1)
Out[25]: array([ 2., 2.])
In [26]: a.shape
Out[26]: (2, 2)
In [27]: np.reshape(a, (1,4))
Out[27]: array([[ 0., 0., 0., 0.]])
对应的Tensorflow定义与操作
In [31]: import tensorflow as tf
In [32]: tf.InteractiveSession()
In [33]: a = tf.zeros((2,2)); b = tf.ones((2,2))
In [34]: tf.reduce_sum(b, reduction_indices=1).eval()
Out[34]: array([ 2., 2.], dtype=float32)
In [35]: a.get_shape()
Out[35]: TensorShape([Dimension(2), Dimension(2)]) # TensorShape类似于tuple
In [36]: sess = tf.InteractiveSession() # 建立一个会话
In [37]: tf.reshape(a, (1, 4)).eval() # eval函数是用于输出对象的具体值的函数,一般要加入Session才能跑
Out[36]: array([[ 0., 0., 0., 0.]], dtype=float32)
为了方便记忆,我们把numpy和Tensorflow中的部分定义和操作做成了一张一一对应的表格,方便大家查看。
Tensorflow的输出要稍微注意一下,我们需要显式地输出(evaluation,也就是说借助eval()
函数)!
5.Tensorflow的计算图
用Tensorflow编写的程序一般由两部分构成,一是构造部分,包含了计算流图,二是执行部分,通过session 来执行图中的计算。 我们先来看看怎么构建图。构件图的第一步是创建源节点(source op)。源节点不需要任何输入,它的输出传递给其它节点(op)做运算。python库中,节点构造器的返回值即当前节点的输出,这些返回值可以传递给其它节点(op)作为输入。 TensorFlow Python库中有一个默认图(default graph),在默认图的基础上,节点构造器(op 构造器)可以为其增加节点。这个默认图对许多程序来说已经足够用了。
import tensorflow as tf
# 创建一个常量节点, 产生一个1x2矩阵,这个op被作为一个节点
# 加到默认视图中
# 构造器的返回值代表该常量节点的返回值
matrix1 = tr.constant([[3., 3.]])
# 创建另一个常量节点, 产生一个2x1的矩阵
matrix2 = tr.constant([[2.], [2.]])
# 创建一个矩阵乘法matmul节点,把matrix1和matrix2作为输入:
product = tf.matmul(matrix1, matrix2)
上述代码生成的计算图如下:
两个矩阵常量节点输入到product里,进行乘积计算。
注:此时只是画好了图,并没有真正开始运行,需要把图放到会话(Session)里,程序才开始真正运行。
6.Session对象
上述的计算图只是一种形式,如果想要让它运行,需要启动一个Session
(会话环境)。
Session是用于张量计算的封装环境。具体参考Session文档。
# 创建session,启动默认图
# 默认图为tf.Graph().as_default(),一般不用明确写出
# tf.Graph().as_default()
sess = tf.Session()
# 调用sess的'run()' 方法来执行矩阵乘法节点操作,传入'product'作为该方法的参数。'product'代表了矩阵乘法节点的输出,传入它是告诉方法我们希望取回矩阵乘法节点的输出。
#整个执行过程是自动化的,会话负责传递节点所需的全部输入。节点通常是并发执行的。
# 函数调用'run(product)'会触发图中三个节点(上面例子里提到的两个常量节点和一个矩阵乘法节点)的执行。
# 返回值'result'是一个numpy 'ndarray'对象。
result = sess.run(product)
print result
# 结果为[[12.]]
# 完成任务,记得关闭会话
sess.close()
和文件读写一样,Session对象在使用完成后,最好关闭以释放资源,当然,除了显式调用close关闭外,也可以使用with代码来自动完成关闭动作:
# 用with代码来自动完成session里的图运算并关闭
with tf.Session() as sess:
result = sess.run([product])
print result
为了便于使用像IPython这样的python交互环境,可以使用InteractiveSession代替Session类,使用Tensor.eval()和Operation.run()方法代替Session.run()。这样做的好处是可以在ipython中保持默认session处于打开状态:
# 进入一个交互式Tensorflow会话
import tensorflow as tf
sess = tf.InteractiveSession()
x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0]);
# 使用初始化器的run()方法初始化x
x.initializer.run()
# 增加一个减法节点,从x减去a。运行减法op,输出结果
sud = tf.sub(x, a)
print sub.eval()
# 结果为[-2. -1.]
tf.InteractiveSession()是ipython里保持一个默认的session开启的一种便捷的方法。
sess.run(c)
其实是一种fetch(获取)操作,它会返回执行c后返回到c的值。后面会说到。
7.Session与多GPU运算
Tensorflow是支持分布式的深度学习框架/包,这是因为它能将图定义转换成分布式执行的操作,以充分利用可以利用的计算资源(如CPU或GPU)。不过一般情况下,你不需要显式指定使用CPU还是GPU,Tensorflow能自动检测。如果检测到GPU,Tensorflow会优先使用找到的第一个GPU来执行操作。
如果机器上有超过一个可用的GPU,默认状况下除了第一个外的其他GPU是不参与计算的。为了让Tensorflow使用这些GPU,你必须将节点运算明确地指派给它们执行。其中with…Device语句用来指派特定的CPU或GPU操作:
# 手动指定给某个gpu执行
with tf.Session() as sess:
with tf.device("/gpu:1"):
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.], [2.]])
product = tf.matmul(matrix1, matrix2)
指定设备的书写格式如下:
- /cpu:0:机器的CPU
- /gpu:0:机器的第一个GPU,如果有的话
- /gpu:1:机器的的第二个GPU,其他GPU以此类推
8.Tensorflow的变量张量Variable(常量张量为Constant)
Variable
一般是可以被更新或更改的数值,即在流图运行过程中可以被不断动态调整的值。
我们训练一个模型的时候,会用到Tensorflow中的变量(Variables)
,我们需要它来保持和更新参数值,和张量一样,变量也保存在内存缓冲区当中。
有很多同学会问,前面不是提到了一个概念叫做张量,为什么还需要这个新的变量呢?需要说明一下的是,如果大家仔细看之前的代码,会发现我们所用到的张量都是常值张量(constant tensors),而非变量,而参数值是需要动态调整的内容。
比如下面的代码里我们设定了一组权重为变量:
In [32]: W1 = tf.ones((2,2))
In [33]: W2 = tf.Variable(tf.zeros((2,2)), name="weights")
In [34]: with tf.Session() as sess:
print(sess.run(W1))
sess.run(tf.initialize_all_variables())
print(sess.run(W2))
....:
[[ 1. 1.]
[ 1. 1.]]
[[ 0. 0.]
[ 0. 0.]]
说一个小细节,注意到上面第34步tf.initialize_all_variables
,我们要预先对变量初始化(initialization)
Tensorflow 的变量必须先初始化然后才有值!而常值张量是不需要的。
再具体一点,比如下面的代码,其实38和39步,我们初始化定义初值是可以通过常数或者随机数等任何一种方式初始化的,但是直到第40步才真正通过Tensorflow的initialize_all_variables对这些变量赋初值。
# 用常量初始化变量
In [38]: W = tf.Variable(tf.zeros((2,2)), name="weights")
# 用随机数初始化变量
In [39]: R = tf.Variable(tf.random_normal((2,2)), name="random_weights")
# 最好有with的这种方法打开session,该作用域结束时会自动关闭session
In [40]: with tf.Session() as sess:
....: sess.run(tf.initialize_all_variables()) # 一定要有!此时才是真正用具体值初始化所有变量
....: print(sess.run(W))
....: print(sess.run(R))
....:
比如我们来看一个计算图
中变量的状态更新过程,代码如下:
In [63]: state = tf.Variable(0, name="counter")
In [64]: new_value = tf.add(state, tf.constant(1))
In [65]: update = tf.assign(state, new_value)
In [66]: with tf.Session() as sess:
sess.run(tf.initialize_all_variables())
print(sess.run(state))
for _ in range(3):
sess.run(update)
print(sess.run(state))
1
2
3
9.Fetch(获取)操作
sess.run([node1,node2,...])
一般表示我整个流图跑一次,然后显示node1
、node2
……的输出。
如果想取回定义的计算图中的节点运算输出结果,可以在使用Session对象的run()调用执行图时,传入一些张量,这些张量可以帮助你取回结果。而且不仅仅是单个节点的状态或者结果,可以输出多个节点的结果,比如下面这个简单例子:
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)
with tf.Session() as sess:
result = sess.run([mul, intermed])
print result
# print
# 输出最后的乘法结果,和之前的加法结果[27.0, 7.0]
上面代码的计算图如下:
如何将非tensor的数据转化为tensor的数据格式?
In [93]: a = np.zeros((3,3))
In [94]: ta = tf.convert_to_tensor(a)
In [95]: with tf.Session() as sess:
....: print(sess.run(ta))
....:
[[0. 0. 0.]
[0. 0. 0.]
[0. 0. 0.]]
10.Feed(传入)操作
通常可以看作是将节点设置为抽象的(没有具体的数值,只是一个容器),之后在run
里面才使用feed_dict
传入具体的值。通常要搭配placeholder
来作为容器使用。
input1 = tf.placeholder(tf.types.float32) # 输入节点(input op)
input2 = tf.placeholder(tf.types.float32) # 输入节点
output = tf.mul(input1, input2) # 乘法节点,也是一个输出节点
手动提供feed数据作为run的参数
feed_dict
是一个python的字典,里面存储从输入变量名称映射到具体的数据。
with tf.Session() as sess:
print sess.run([output], feed_dict={input:[7.], input2:[2.]})
# print
# 结果是[array([ 14.], dtype=float32)]
上面代码的计算图为:
11.变量范围(Scope)
由于复杂的Tensorflow网络有上百个变量,因此需要在命名空间里创建或者获取变量,防止发生冲突。
tf.variable_scope(scopename)
提供了命名空间tf.get_variable()
在一个命名空间中创建或获取变量
with tf.variable_scope("foo"):
with tf.variable_scope("bar"):
v = tf.get_variable("v", [1])
assert v.name == "foo/bar/v:0"
可以看到,其实就是在变量名称前加了一堆前缀,来区分不同空间的变量。
当需要重新使用某些变量时(在RNN中经常需要这样的操作),可以使用tf.get_variable_scope().reuse_variables()
。
with tf.variable_scope("foo"):
v = tf.get_variable("v", [1])
tf.get_variable_scope().reuse_variables()
v1 = tf.get_variable("v", [1])
assert v1 == v
reuse开关
with tf.variable_scope("foo"):
v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
v1 = tf.get_variable("v", [1])
v2 = tf.get_variable("v1",[1])
assert v1 == v
ValueError: Variable foo/v1 does not exist, or was not created with tf.get_variable(). Did you mean to set reuse=None in VarScope?
with tf.variable_scope("foo"):
v = tf.get_variable("v", [1])
with tf.variable_scope("foo", reuse=True):
v1 = tf.get_variable("v", [1])
assert v1 == v
True
上述操作中,由于reuse=True
,这使得with里不能创建新的变量,只能够使用该命名空间里已经创建好的变量,即foo/v
,否则会报ValueError。
reuse默认为False。
def test():
def v1():
with tf.variable_scope("foo") as scope:
for j in range(2):
if j>0:
scope.reuse_variables()
v = tf.get_variable("v", [1], initializer=tf.constant_initializer(1))
add = tf.assign(v, tf.add(v, 1))
return add
def v2():
with tf.variable_scope("foo", reuse=True) as scope:
for i in range(2):
v = tf.get_variable("v", [1])
add = tf.assign(v, tf.add(v, 1))
return add
def addv():
sess = tf.Session()
add1 = v1()
add2 = v2()
sess.run(tf.initialize_all_variables())
for i in range(3):
res = sess.run([add1])
res2 = sess.run([add2])
print res, res2
addv()
output:
[array([ 2.], dtype=float32)] [array([ 3.], dtype=float32)]
[array([ 4.], dtype=float32)] [array([ 5.], dtype=float32)]
[array([ 6.], dtype=float32)] [array([ 7.], dtype=float32)]
上述的操作说明了Tensorflow里的变量和Python的变量是解耦的,Tensorflow里的变量对于图来说是全局的,和python的作用域没有关系。并且可以看到,在第一次声明变量的地方重新调用该变量,不需要使用reuse,但是如果在有循环的情况下且循环不是第一步,需要scope.reuse_variables()
。
12.小例子:使用Tensorflow做线性回归
计算图
代码
import numpy as np
import tensorflow as tf
from matplotlib import pyplot as plt
# 输入的数据(x,y)
X_data = np.arange(100, step=.1)
Y_data = X_data + 20*np.sin(X_data/10)
# 绘制输入的数据
plt.scatter(X_data, Y_data)
# 设置输入数据数量(1000)和SGD的批量数据大小(100)
n_Samples = 1000
batch_size = 100
# 调整数据的shape
X_data = np.reshape(X_data, (n_Samples, 1))
Y_data = np.reshape(Y_data, (n_Samples, 1))
# 设置输入节点
x = tf.placeholder(tf.float32, (batch_size, 1), name='features')
y = tf.placeholder(tf.float32, (batch_size, 1), name='labels')
# 设置变量节点
with tf.variable_scope('Linear-Regression'):
# 权重
w = tf.get_variable(name='weights',shape=(1,1),dtype=tf.float32,initializer=tf.random_normal_initializer())
# bias偏差
b = tf.get_variable(name='bias', shape=(1,),dtype=tf.float32,initializer=tf.constant_initializer(.1))
y_pred = tf.matmul(x,w) + b
# 损失函数
loss = tf.reduce_sum((y_pred-y)**2/batch_size)
# 优化节点,使用Adam算法
opt_operation = tf.train.AdamOptimizer().minimize(loss)
# 打开一个session
with tf.Session() as sess:
# 初始化所有变量
sess.run(tf.initialize_all_variables())
# 迭代10000次
for _ in range(1000):
# 数据切片,随机从输入数据中获取batch
indices = np.random.choice(n_Samples, batch_size)
# 特征x
feat = X_data[indices,:]
# 对应的y
lab = Y_data[indices,:]
# feed和fetch
_, l, yp = sess.run([opt_operation, loss, y_pred], feed_dict={x:feat, y:lab})
# 输出每次迭代的损失
print l
# 绘制回归曲线
plt.scatter(feat.flatten(), yp.flatten(), c='r')
# 显示图形
plt.show()
绘制的结果:
1.Tensorflow中的优化函数比较丰富,可以按照实际情况选择。
2.一旦计算图绘制好,我们就可以通过BP求得每个变量节点的偏导数,从而可以更新每个需要更新的变量。而这一切(求导、更新参数)都是通过Tensorflow的优化函数自动完成的。也就是说,我们不用每次求损失函数关于变量(参数)的导数啦!
13.TensorBoard
Tensorflow内建的可视化工具。