目前主流的TensorFlow,用tensorflow这样工具的原因是:它允许我们用计算图(Computational Graphs)的方式建立网络。同时又可以非常方便的对网络进行操作。

下面就是对计算图的直观讲解。

比喻说明:

  • 结构:计算图所建立的只是一个网络框架。在编程时,并不会有任何实际值出现在框架中。所有权重和偏移都是框架中的一部分,初始时至少给定初始值才能形成框架。因此需要initialization初始化。
  • 比喻:计算图就是一个管道。编写网络就是搭建一个管道结构。在投入实际使用前,不会有任何液体进入管道。而神经网络中的权重和偏移就是管道中的阀门,可以控制液体的流动强弱和方向。在神经网络的训练中,阀门会根据数据进行自我调节、更新。但是使用之前至少要给所有阀门一个初始的状态才能形成结构。用计算图的好处是它允许我们可以从任意一个节点处取出液体。

 

用法说明:

请类比管道构建来理解计算图的用法

构造阶段(construction phase):组装计算图(管道)

  • 计算图(graph):要组装的结构。由许多操作组成。
  • 操作(ops):接受(流入)零个或多个输入(液体),返回(流出)零个或多个输出。
  • 数据类型:主要分为张量(tensor)、变量(variable)和常量(constant)
    • 张量:多维array或list(管道中的液体)
      • 创建语句
tensor_name=tf.placeholder(type, shape, name)
    • 变量:在同一时刻对图中所有其他操作都保持静态的数据(管道中的阀门)
      • 创建语句
name_variable = tf.Variable(value, name)
      • 初始化语句
#个别变量
init_op=variable.initializer()
#所有变量
init_op=tf.initialize_all_variables()
#注意:init_op的类型是操作(ops),加载之前并不执行
      • 更新语句
update_op=tf.assign(variable to be updated, new_value)
    • 常量:无需初始化的变量
      • 创建语句
name_constant=tf.constant(value)

 

执行阶段(execution phase):使用计算图(获取液体)

  • 会话:执行(launch)构建的计算图。可选择执行设备:单个电脑的CPU、GPU,或电脑分布式甚至手机。
    • 创建语句
#常规
sess = tf.Session()
#交互
sess = tf.InteractiveSession()
#交互方式可用tensor.eval()获取值,ops.run()执行操作
#关闭
sess.close()
  • 执行操作:使用创建的会话执行操作
    • 执行语句
sess.run(op)
    • 送值(feed):输入操作的输入值(输入液体)
      • 语句
sess.run([output], feed_dict={input1:value1, input2:value1})
    • 取值(fetch):获取操作的输出值(得到液体)
      • 语句
#单值获取 
sess.run(one op)
#多值获取
sess.run([a list of ops])
内容来源于网络如有侵权请私信删除