Tensorflow中几个基本概念的理解

morinson

Tensorflow中几个基本概念的理解

作者：morinson  来源：FGM学习小组

一、环境介绍：

宿主机:win7 64位

虚拟机软件:vmware workstation 12

虚拟机:Ubuntu 14.0.4.1

Python:2.7

Tensorflow:CUP版，tensorflow-0.5.0-cp27-none-linux_x86_64.whl

为了环境干净，使用virtualenv 创建一个隔离的容器, 来安装 TensorFlow.所以每次使用前，都先进行source，切入到容器环境

morinson@ubuntu14041:~$ cd tensorflow/
morinson@ubuntu14041:~/tensorflow$ source bin/activate
(tensorflow)morinson@ubuntu14041:~/tensorflow$
(tensorflow)morinson@ubuntu14041:~/tensorflow$
提示符中成功出现上面红色标志就代表成功切换到容器环境里的tensorflow，当然，如果你是在系统中直接部署的tensorflow，那么就可以跳过这一步

二、演示和分享的几个概念

这篇笔记里谈谈tensorflow官方文档 第一章.起步 中讲到的图 (graph)、op (operation 的缩写)、会话 (Session)、tensor这些基本概念的理解和实验。仅供参考，不对之处请同学们多多指正。

1， 图 (graph)

在官方文档中，google是这样描述的“使用图 (graph) 来表示计算任务”，看起来简单明了，但是刚刚接触tensorflow的同学反而容易迷糊，主要就是因为google使用了“图(graph)”这个字眼。难道tensorflow只能处理图片？真像肯定不是这样，其实tensorflow和开发语言(比如python)配合起来可以处理复杂的常规程序逻辑、高效的超大规模数学计算(在计算机世界里，一切都是数字)、以及调用大量封装好了的算法、当然你也可以编写自己的算法，或者对现有算法进行完善。最主要是google起的这个名字比较坑，要是直接就叫“计算任务”或者“任务”，估计同学们也就不会迷糊了吧。但既然人家是东家，咱们只是使用者，所以只能随着人家的叫法来了。

2， op (operation 的缩写)

既然有了任务，那么为了完成任务，总是要一步步做的吧。在tensorflow中，这个实现任务的每一步，比如赋个值啦、让谁和谁乘一下啦、谁对谁求个导啦、等等，都是一个个步骤，google给它们也起了个名字，这个名字不坑人，叫op (operation 的缩写)。

3， 会话 (Session)

在说这个概念之前，我们先来看一个列子，下面这段代码大家都很熟悉吧，tensorflow的helloworld，肯定是你装好tensorflow后敲的第一段代码。同学们都懂的。

1. $ python                                                                              #进入python语言环境,出现>>>即代表进入了
   
2. >>> import tensorflow as tf                                                     #1,声明引用tensorflow，在后面的代码中以tf来使用tensorflow的所有功能
   
3. >>> hello = tf.constant('Hello, TensorFlow!')                       #2,创建一个变量hello，其值是tf的一个op结果
   
4. >>> sess = tf.Session()                                                          #3,创建一个变量sess，其是tf的一个Session实例
   
5. >>> print sess.run(hello)                                                      #4,调用Session对象的run方法对hello这个op进行处理，然后将结果返回给print打印
   
6. Hello, TensorFlow!
   
7. >>> a = tf.constant(10)                                                      #5, 创建一个变量a，其值是tf的一个op结果
   
8. >>> b = tf.constant(32)                                                    #6, 创建一个变量b，其值是tf的一个op结果
   
9. >>> print sess.run(a+b)                                                     #7, 调用Session对象的run方法对a这个op和b这个op进行加法处理，然后将结果返回给print打印
   
10. 42
    
11. >>>

复制代码

为了方便描述，我给上面代码都追加了注释。同时，我在下面给出两次执行的真实过程截屏

第一次执行：与示例代码一模一样

第二次执行：我增加了4条打印语句

你会惊奇的发现，这个与我们常规的程序语言不一样啊！为什么我明明给hello、a、b赋了值，但是打印时都只是一个类型说明，并没有具体值？现在我们来看看官方文档中的一段话“TensorFlow程序通常被组织成一个构建阶段, 和一个执行阶段. 在构建阶段, op 的执行步骤被描述成一个图.在执行阶段, 使用会话执行图中的 op.”，至此真相大白，原来在tensorflow中，调用run方法时是执行阶段，其它是构建阶段，构建阶段你声明和定义的任何op操作只是被记下来了，但并没有落实，只有到了run时，tensorflow才真正的使用CPU执行这些op操作。别小瞧这个设计，这样基本上消除了一段代码内在tf和python之间的切换，会大大减小开支，提升计算效率。同时，将很多操作攒在一堆，也方便分布式执行。

那么问题来了，既然google为了效率这么非常规的设计了tensorflow的两阶段思路，它如何区分和识别这些阶段呢？所以就产生了会话 (Session)，同时Session也就有了创建(#3那句)、使用(#4\#7那句)、关闭(正规应该有，用sess.close()，这里是简单例子，就直接退出python了)的过程。

其实会话 (Session)存在的意义就是为了区别执行阶段和构建阶段，因为常规开发语言中，每一行代码都是执行阶段。

4， Tensor

官方文档这样描述“使用 tensor 表示数据.”，讲的很明白了，就是google给常规的程序数据又起了个怪名字，“每个 Tensor 是一个类型化的多维数组.”、“一个 op获得 0 个或多个Tensor , 执行计算, 产生 0 个或多个Tensor .”

Tensorflow中几个基本概念的理解 by morinson 20151218.docx (55.73 KB, 下载次数: 9)

2015-12-22 03:54 上传

点击文件名下载附件
下载积分: 金钱 -1

lc980232

有用！赞一个！LZ有心了