TensorFlow的运行环境及求解过程详解

首先，何谓tensor？即高维向量，例如矩阵是二维，tensor是更广义意义上的n维向量（有type+shape）

TensorFlow执行过程为定义图，其中定义子节点，计算时只计算所需节点所依赖的节点，是一种高效且适应大规模的数据计算，方便分布式设计，对于复杂神经网络的计算，可将其拆开到其他核中同时计算。

Theano——torch———caffe（尤其是图像处理）——deeplearning5j——H20——MXNet，TensorFlow

运行环境

下载docker

打开docker quickstart terminal

标红地方显示该docker虚拟机IP地址（即之后的localhost）

docker tensorflow/tensorflow//自动找到TensorFlow容器并下载

docker images//浏览当前容器

docker run -p 8888:8888 tensorflow/tensorflow//在8888端口运行

会出现一个token，复制该链接并替换掉localhost，既可以打开TensorFlow的一个编写器，jupyter

大体雏形#python导入importtensorflowastf#定义变量（节点）x = tf.Variable(3, name="x")y = tf.Variable(4, name="y")f = x*x*y + y +2#定义sessionsess = tf.Session()#为已经定义的节点赋值sess.run(x.initializer)sess.run(y.initializer)#运行sessionresult = sess.run(f)print(result) #42#释放空间sess.close

还有一个更简洁的一种定义并运行session方法

# a better waywith tf.Session()assess: x.initializer.run() y.initializer.run()#即evaluate，求解f的值 result = f.eval()

初始化的两行也可以写作

init = tf.global_variables_initializer()

init.run()

而session可以改作sess=tf.InteractiveSession()运行起来更方便

init =tf.global_variables_initializer()sess =tf.InteractiveSession()init.run()result =f.eval()print(result)

因而TensorFlow的代码分为两部分，定义部分和执行部分

TensorFlow是一个图的操作，有自动缺省的默认图和你自己定义的图

#系统默认缺省的图>>> x1 = tf.Variable(1)>>> x1.graph is tf.get_default_graph()True#自定义的图>>> graph = tf.Graph()>>> with graph.as_default():x2 = tf.Variable(2)>>> x2.graph is graphTrue>>> x2.graph is tf.get_default_graph()False节点的生命周期

第二种方法可以找出公共部分，避免x被计算2次。

运行结束后所有节点的值都被清空，如果没有单独保存，还需重新run一遍。

w=tf.constant(3)x=w+2y=x+5z=x*3withtf.Session()assess: print(y.eval()) #10 print(z.eval()) #15withtf.Session()assess: y_val, z_val = sess.run([y,z]) print(y_val) #10 print(z_val) #15Linear Regression with TensorFlow

（线性回归上的应用）

y = wx+b = wx'//这里x'是相较于x多了一维全是1的向量

这里引用California housing的数据

TensorFlow上向量是列向量，需要reshape(-1,1)即转置成列向量

使用normal equation方法求解

import numpyasnpfrom sklearn.datasets import fetch_california_housinghousing = fetch_california_housing()#获得数据维度，矩阵的行列长度m, n = housing.data.shape#np.c_是连接的含义，加了一个全为1的维度housing_data_plus_bias = np.c_[np.ones((m,1)), housing.data]#数据量并不大，可以直接用常量节点装载进来，但是之后海量数据无法使用（会用minbatch的方式导入数据）X=tf.constant(housing_data_plus_bias, dtype=tf.float32, name="X")#转置成列向量y=tf.constant(housing.target.reshape(-1,1), dtype=tf.float32, name="y")XT =tf.transpose(X)#使用normalequation的方法求解theta，之前线性模型中有提及theta =tf.matmul(tf.matmul(tf.matrix_inverse(tf.matmul(XT,X)), XT),y)#求出权重withtf.Session()assess: theta_value = theta.eval()

如果是原本的方法，可能更直接些。但由于使用底层的库不同，它们计算出来的值不完全相同。

#使用numpyX = housing_data_plus_biasy = housing.target.reshape(-1,1)theta_numpy = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y)#使用sklearnfromsklearn.linear_modelimportLinearRegressionlin_reg = LinearRegression()lin_reg.fit(housing.data, housing.target.reshape(-1,1))

这里不禁感到疑惑，为什么TensorFlow感觉变复杂了呢？其实，这不过因为这里数据规模较小，进行大规模的计算时，TensorFlow的自动优化所发挥的效果，是十分厉害的。

使用gradient descent（梯度下降）方法求解

#使用gradient时需要scale一下from sklearn.preprocessing import StandardScalerscaler = StandardScaler()scaled_housing_data = scaler.fit_transform(housing.data)scaled_housing_data_plus_bias = np.c_[np.ones((m,1)), scaled_housing_data]#迭代1000次n_epochs =1000learning_rate =0.01#由于使用gradient，写入x的值需要scale一下X=tf.constant(scaled_housing_data_plus_bias, dtype=tf.float32, name="X")y=tf.constant(housing.target.reshape(-1,1), dtype=tf.float32, name="y")#使用gradient需要有一个初值theta =tf.Variable(tf.random_uniform([n +1,1], -1.0,1.0), name="theta")#当前预测的y，x是m*（n+1），theta是（n+1）*1，刚好是y的维度y_pred =tf.matmul(X, theta, name="predictions")#整体误差error = y_pred -y#TensorFlow求解均值功能强大，可以指定维数，也可以像下面方法求整体的mse =tf.reduce_mean(tf.square(error), name="mse")#暂时自己写出训练过程，实际可以采用TensorFlow自带的功能更强大的自动求解autodiff方法gradients =2/m*tf.matmul(tf.transpose(X), error)training_op =tf.assign(theta, theta - learning_rate * gradients)#初始化并开始求解init =tf.global_variables_initializer()withtf.Session()assess: sess.run(init) forepoch inrange(n_epochs): #每运行100次打印一下当前平均误差 ifepoch %100==0: print("Epoch", epoch,"MSE =", mse.eval()) sess.run(training_op) best_theta = theta.eval()

上述代码中的autodiff如下，可以自动求出gradient

gradients= tf.gradients(mse, [theta])[0]

使用Optimizer

上述的整个梯度下降和迭代方法，都封装了在如下方法中

optimizer= tf.train.GradientDescentOptimizer(learning_rate=learning_rate)

training_op= optimizer.minimize(mse)

这样的optimizer还有很多

例如带冲量的optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9)

Feeding data to training algorithm

当数据量达到几G，几十G时，使用constant直接导入数据显然是不现实的，因而我们用placeholder做一个占位符

（一般行都是none，即数据量是任意的）

真正运行，run的时候再feed数据。可以不断使用新的数据。

>>>A = tf.placeholder(tf.float32, shape=(None,3))>>>B = A +5>>>withtf.Session()assess:...B_val_1 = B.eval(feed_dict={A: [[1,2,3]]})...B_val_2 = B.eval(feed_dict={A: [[4,5,6], [7,8,9]]})...>>>print(B_val_1)[[6.7.8.]]>>>print(B_val_2)[[9.10.11.][12.13.14.]]

这样，就可以通过定义min_batch来分批次随机抽取指定数量的数据，即便是几T的数据也可以抽取。

batch_size =100n_batches = int(np.ceil(m / batch_size))#有放回的随机抽取数据deffetch_batch(epoch, batch_index, batch_size): #定义一个随机种子 np.random.seed(epoch * n_batches + batch_index) # not shown in the book indices = np.random.randint(m, size=batch_size) # not shown X_batch = scaled_housing_data_plus_bias[indices]# not shown y_batch = housing.target.reshape(-1,1)[indices]# not shown returnX_batch, y_batch#开始运行withtf.Session()assess: sess.run(init)#每次都抽取新的数据做训练 forepochinrange(n_epochs): forbatch_indexinrange(n_batches): X_batch, y_batch = fetch_batch(epoch, batch_index, batch_size) sess.run(training_op, feed_dict={X: X_batch, y: y_batch})#最终结果 best_theta = theta.eval()

Saving and Restoring models（保存模型）

有时候，运行几天的模型可能因故暂时无法继续跑下去，因而需要暂时保持已训练好的部分模型到硬盘上。

init =tf.global_variables_initializer()saver =tf.train.Saver()#保存模型withtf.Session()assess: sess.run(init) forepoch inrange(n_epochs): ifepoch %100==0: #print("Epoch", epoch,"MSE =", mse.eval()) save_path = saver.save(sess,"/tmp/my_model.ckpt") sess.run(training_op) best_theta = theta.eval() save_path = saver.save(sess,"/tmp/my_model_final.ckpt")#恢复模型withtf.Session()assess: saver.restore(sess,"/tmp/my_model_final.ckpt") best_theta_restored = theta.eval()关于TensorBoard

众所周知，神经网络和机器学习大多是黑盒模型，让人有点忐忑。TensorBoard所起的功能就是将这个黑盒稍微变白一些~

启用tensorboard

输入docker ps查看当前容器id

进入容器

使用tensorboard --log-dir=tf_logs命令打开已经存入的tf_logs文件，其生成代码如下所示

from datetime import datetimenow = datetime.utcnow().strftime("%Y%m%d%H%M%S")root_logdir ="tf_logs"logdir ="{}/run-{}/".format(root_logdir, now)...mse_summary =tf.summary.scalar('MSE', mse)file_writer =tf.summary.FileWriter(logdir,tf.get_default_graph())...ifbatch_index %10==0: summary_str = mse_summary.eval(feed_dict={X: X_batch,y: y_batch}) step = epoch * n_batches + batch_index file_writer.add_summary(summary_str, step)