tensorflow开发语言,基于tensorflow开发算法框架

　　注意：本例中使用的是Python 3 . 5 . 6版和Tensorflow版。

　　介绍

　　Tensorflow是Google推出的机器学习开源神器。它对Python有很好的语言支持，支持CPU、GPU、谷歌TPU等硬件，已经有了各种模型和算法。目前，Tensorflow已经广泛应用于文本处理、语音识别、图像识别等多个机器学习和深度学习领域。

　　基础框架

　　有三层：应用层、接口层和核心层。

　　推荐： 《python教程》

　　应用层

　　为Python、C、Java提供机器学习相关的训练库、预测库和编程环境，类似于web系统的前端，主要实现计算图的构建。

　　接口层

　　Tensorflow功能模块的封装，方便其他语言平台调用。

　　核心层

　　最重要的部分，包括设备层、网络层、数据操作层和图形计算层，执行应用层的计算。

　　1.设备层

　　包括Tensorflow在不同硬件设备上的实现，主要支持CPU、GPU和移动设备，实现计算命令在不同硬件设备上的转换，为上层提供统一的接口，实现程序的跨平台功能。

　　2.网络层

　　网络层主要包括RPC和RDMA通信协议，实现不同设备之间的数据传输和更新。这些协议将用于分布式计算。

　　3.数据操作层

　　以张量为处理对象，实现张量的各种运算和计算。

　　4.图计算层

　　包括分布式计算图和本地计算图的实现，实现图的创建、编译、优化和执行等。

　　设计理念

　　TensorFlow可以理解为计算图中的“张量流”，其中张量表示计算图中的边，Flow表示计算图中节点的操作引起的数据流。

　　设计思路是以数据流为核心。在建立相应的机器学习模型时，利用训练数据在模型中流动，将结果以反向传播的方式反馈给模型中的参数，从而调整参数，调整后的参数用于再次迭代计算训练数据。

　　编程特点

　　有两个编程特性：

　　图的定义与图的运算是完全分离的。

　　在tensorflow中，需要预先定义各种变量，建立相关的数据流图，在数据流图中创建各种变量之间的计算关系，完成图的定义，放入运算的输入数据，才形成输出值。

　　图形的计算在进程中执行。

　　tensorflow的相关计算在图中定义，图的具体运行环境在会话中。会话打开后可以开始计算，会话关闭后不能进行计算。

　　例如：

　　将张量流作为tf导入

　　TF.compat . v1 . disable _ eager _ execution()

　　a=3

　　b=4

　　c=5

　　y=tf.add(a*b，c)

　　打印(y)

　　a=tf.constant(3，tf.int32)

　　b=tf.constant(4，tf.int32)

　　c=tf.constant(5，tf.int32)

　　y=tf.add(a*b，c)

　　打印(y)

　　session=tf.compat.v1.Session()

　　print(session.run(y))

　　Session.close()可以看出，图形创建后，在Session中进行数据计算，得到最终的输出结果。

　　设计的好处是在学习的过程中，消耗最多的是数据的训练。这样，在设计的时候，图形就已经确定了，计算只剩下一个迭代的过程。

　　基本概念

　　Tensor

　　张量是tensorflow中最重要的数据结构，用于计算图中的数据传输。创建张量后，需要将其分配给变量或占位符，然后再添加到计算图表中。

　　session

　　Session是Tensorflow中计算图的具体执行者，实际上是与图进行交互。一个会话中可以有多个图形。进程的主要目的是将训练数据添加到图表中进行计算，以及修改图表的结构。

　　对于调用模式，建议使用With语句：

　　使用session:

　　session.run()

　　在图中表示各种计算参数的变量，可以通过调整这些变量的状态来优化机器科学。

　　习算法。创建变量应使用tf.Variable()，通过输入一个张量，返回一个变量，变量声明后需进行初始化才能使用。

　　举例说明：

import tensorflow as tf
　　tf.compat.v1.disable_eager_execution()
　　tensor = tf.ones([1, 3])
　　test_var = tf.Variable(tensor)
　　# 初始化变量
　　init_op = tf.compat.v1.global_variables_initializer()
　　session = tf.compat.v1.Session()
　　with session:
　　 print("tensor is ", session.run(tensor))
　　 # print("test_var is ", session.run(test_var))
　　 session.run(init_op)
　　 print("after init, test_var is", session.run(test_var))

　　占位符，用于表示输入输出数据的格式，声明了数据位置，允许传入指定类型和形状的数据，通过会话中的feed_dict参数获取数据，在计算图运行时使用获取的数据进行计算，计算完毕后获取的数据就会消失。

　　举例说明：

x = tf.compat.v1.placeholder(tf.int32)
　　y = tf.compat.v1.placeholder(tf.int32)
　　z = tf.add(x, y)
　　session = tf.compat.v1.Session()
　　with session:
　　 print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

　　操作，是图中的节点，输入输出都是Tensor，作用是完成各种操作，包括：

　　数学运算：add, sub, mul, div, exp ...

　　数组运算：concat, slice, split, rank ...

　　矩阵运算：matmul, matrixinverse ...

　　神经网络构建：softmax, sigmoid, relu ...

　　检查点：save, restore ...

　　队列和同步：enqueue, dequeue, mutexacquire, mutexrelease ...

　　张量控制：merge, switch, enter, leave ...

　　Queue

　　队列，图中有状态的节点。包含入列（endqueue）和出列（dequeue）两个操作，入列返回计算图中的一个操作节点，出列返回一个tensor值。

　　其中，队列有两种：

　　1. FIFOQueue

　　按入列顺序出列的队列，在需要读入的训练样本有序时使用。举个例子：

fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')
　　init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))
　　with tf.compat.v1.Session() as session:
　　 session.run(init)
　　 queue_size = session.run(fifo_queue.size())
　　 for item in range(queue_size):
　　 print('fifo_queue', session.run(fifo_queue.dequeue()))

　　以随机顺序出列的队列，读入的训练样本无序时使用。举个例子：

rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')
　　init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))
　　with tf.compat.v1.Session() as session:
　　 session.run(init)
　　 queue_size = session.run(rs_queue.size())
　　 for i in range(queue_size):
　　 print('rs_queue', session.run(rs_queue.dequeue()))

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。