tensorflow学习笔记：
3.2 Tensorflow中定义数据流图
张量知识矩阵的一个超集。
超集：如果一个集合S2中的每一个元素都在集合S1中，且集合S1中可能包含S2中没有的元素，则集合S1就是S2的一个超集，反过来，S2是S1的子集。
张量形状：
固定长度： [],() 0阶次；[3],(2,3) 1/2阶次
不定长度：[None] 表示任意长度的向量，(None,3) 表示行数任意，3列的矩阵
获取Op：tf.shape(tensor, name="tensor_shape") , 当然只能通过Session对象得到执行
OP/operation
利用Tensor对象执行运算的节点。计算完毕，返回0/多个张量，可以为数据流图中的其他的Op所使用。
除了输入和属性外，还可以接受一个name参数，描述性的字符串来指代某个特定Op，若对不同Op希望复用name，则用name_scope变成方式将一系列运算组织即可。
运算符重载
一元：tf.neg()，tf.logical_not()，tf.abs()
二元：tf.add()，tf.subtract()，tf.multiply()元素相乘，tf.matmul()矩阵相乘，tf.truediv()，tf.mod()，tf.pow()，< tf.less()，≤ tf.less_equal()，tf.greater()，tf.greater_equal()，tf.logical_and()，tf.logical_or()，tf.logical_xor()
tf.equal()，tf.not_equal()检查张量值是否相同
Graph对象
多个流图协同工作，这样用户在一个python文件中可以计算和适应若干独立模型的输出。
为了方便起见，当Tf库被加载时，会自动创建一个Graph对象，可以用tf.get_default_graph获得默认数据流图的句柄。
创建数据流图。
g1 = tf.Graph() g2 = tf.Graph() g3 = tf.get_default_graph() with g1.as_default(): 一系列Op：a = tf.multiply(2, 3).... with g2.as_default(): 一系列Op：b = tf.add(2, 3).... with g3.as_default(): #一系列Op：c = tf.pow(2, 3)....
Session类
负责数据流图的执行。tf.Session(target, graph, config)
target：大多数默认为空，他为制定所使用的引擎
graph：当使用多个数据流图时，指明Graph对象，默认是当前数据流图。
config：包含cpu/gpu数目，为数据流图设置优化参数以及日志选项等
import tensorflow as tf
#创建Op和Tensor对象
a = tf.add(3, 5)
b = tf.multiply(2, 4)
c = tf.add(a, 9)
sess = tf.Session()
sess.run([a, b])
#输出[8,8]
replace_dict = {a: 2}
sess.run(c, feed_dict=replace_dict)
#输出11
sess.close()
#还可以用上下文管理器
with tf.Session() as sess:
#...
Session.run(fetches, feed_dict, options, run_medadata)
采用run()方法计算所期望的tensor对象输出。
fetches：接受任意数据流图元素，若为一个Tensor对象，输出Numpy数组。
若为一个Op，输出None。例如sess.run(tf.global_variables_initializer())，执行初始化Variables对象所需的计算，返回None。
feed_dict：传入一个字典,a的值被重新赋予2，主要用在流图局部测试场景，给定输入值。
tf.placeholder()
占位节点用来添加输入。 dtype必须指定，shape可选，还可以为None，接受任意形状的Tensor，name可选。
import tensorflow as tf
import numpy as np
#占位符，输入
a = tf.placeholder(tf.int32, shape=[2], name="my_input")
b = tf.reduce_prod(a, name="prod_b") # 5x3=15
c = tf.reduce_sum(a, name="sum_c") # 5+3=8
#完成数据流图的定义
d = tf.add(b, c, name="add_d")
sess = tf.Session()
input_dict = {a:np.array([5, 3], dtype=np.int32)}
sess.run(d, feed_dict=input_dict) #输出15+8=23
sess.close()
Variables对象
创建：tf.Variables()
import tensorflow as tf
my_var = tf.Variables(3, name="my_var")
add = tf.add(5, my_var)
#2x2的全0矩阵
zeros = tf.zeros([2, 2])
#长度为6的全1向量
ones = tf.ones([6])
#大小为3x3x3，元素服从0~10的均匀分布
uniform = tf.random_uniform([3, 3, 3], minval=0, maxval=10)
#大小3x3x3，元素服从均值为0，标准差为2的正态分布
normal = tf.random_normal([3, 3, 3], mean=0.0, stddev=2.0)
#截断正态分布，大小2x2,元素值距离均值不会超过两倍的标准差。防止离群点出现
trunc = tf.truncated_normal([2, 2], mean=5.0, stddev=1.0)
#也可以像手工初始化张量那样，将这些Op作为Variavle对象作为初值传入
random_var = tf.Variable(tf.truncated_normal([2, 2]))
初始化：tf.global_variables_initializer() 或 tf.intialize_valiables([var1], name="init_var1")
#全部初始化
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
init1 = tf.initialize_variables([var1], name="init_var1")
sess1 = tf.Session()
sess1.run(init1)
修改：Variables.assign()赋新值，Variables.assign_add()自增，Varables.assign_sub()自减
my_var = tf.Variables(1)
my_var_times_two = my_var.assign(my_var*2)
init = f.global_variables_initializer()
sess = tf.Session()
sess.run(init)
sess.run(my_var_times_two)
#输出2
sess.run(my_var_times_two)
#输出4
sess.run(my_var_times_two)
#输出8
sess.run(my_var.assign_add(1))
#输出9
sess.run(my_var.assign_sub(1))
#输出8
不同Session会各自独立维护自己的Variables对象的值。
trainable参数
在自动训练的机器学习模型的Optimizer类，会自动修改Variables的值，而不需要做出显示的请求。若不希望这样，则制定trainable=False即可。
not_trainable = tf.Variable(0, trainable=False)
3.3 名称作用域name scope
语法：
with tf.name_scope("Transformation"):
...
它允许将Op划分到一些较大的，有名称的语句块中，有名称作用域都将自己的Op进行封装。如下图1
import tensorflow as tf
#此处显示创建一个tf.Graph()对象，并未使用默认Graph对象
graph = tf.Graph()
with graph.as_default():
in_1 = tf.placeholder(tf.float32, shape=[], name="input_a")
in_2 = tf.placeholder(tf.float32, shape=[], name="input_b")
const = tf.constant(3, dtype=tf.float32, name="static_value") with tf.name_scope("Transformation"):
with tf.name_scope("A"):
#接受in_1，输出一些值
A_mul = tf.multiply(in_1, const)
A_out = tf.subtract(A_mul, in_1)
with tf.name_scope("B"):
#接受in_2，输出一些值
B_mul = tf.multiply(in_2, const)
B_out = tf.subtract(B_mul, in_1)
with tf.name_scope("C"):
#接受A和B，输出一些值
C_div = tf.div(A_out, B_out)
C_out = tf.add(C_div, const)
with tf.name_scope("D"):
#接受A和B，输出一些值
D_div = tf.div(B_out, A_out)
D_out = tf.subtract(D_div, const)
#获取C，D的输出
out = tf.maximum(C_out, D_out) writer = tf.summary.FileWriter('./graph/name_scope_2',graph=tf.get_default_graph())
writer.close()
在tensorboard上可视化数据流图：
借助一下代码可以实现
writer = tf.summary.FileWriter('./graph/name_scope_2',graph=tf.get_default_graph())
writer.close()
点开Transformation 它是一个名称作作用域，包含多个Op和作用域，子作用域还可以包含多个Op和作用域。并且相似操作会着色相同颜色。
并且常量tf.constant()，会放置在对应名称作用域中。
3.4 练习
任务：运用上述组件，完成对任意长度输入的Tensor进行一系列运算和更新，并且在tensorboard中进行研究。
要求：输入采用占位符，随时间计算输出综合，采用名称作用域对数据流图进行合理划分，每次运行时，都将数据流图的输出，所有输出的累加和，所有输出的均值保存到磁盘中，工Tensorboard使用。
设计如下：
代码：
import tensorflow as tf
print("----start----")
#显示创建一个数据流图
graph = tf.Graph()
with graph.as_default():
#---variables---部分，记录运行次数globa_step和总的输出和total_output
with tf.name_scope("variables"):
#记录数据流图运行次数
global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")
#模型输出累加和
total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_sum")
#---transformation---部分，构建数据流图：输入层input，中间层intermediate_layer，输出层output
with tf.name_scope("transformation"):
#独立的输入层
with tf.name_scope("input"):
a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")
#独立的中间层
with tf.name_scope("intermediate_layer"):
b = tf.reduce_prod(a, name="prod_b")
c = tf.reduce_sum(a, name="sum_c")
#独立的输出层
with tf.name_scope("output"):
output = tf.add(b, c, name="output")
#---Update---部分，更新variables域update_total,increment_step
with tf.name_scope("update"):
update_total = total_output.assign_add(output)
increment_step = global_step.assign_add(1)
#---summaries---部分，用于tensorboard汇总数据
with tf.name_scope("summaries"):
#随时间计算输出的均值
avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")# tf.cast(x, dtype, name=None)数据类型转换函数
#为输出节点创建汇总数据
tf.summary.scalar('Output', output)#, name="output_summary")#tf.summary.scalar(name,tensor,collections=None,family=None),可用于tensorboard或者学习速率和loss等。
tf.summary.scalar('Sum_of_outputs_over_time', update_total)#, name="total_summary")
tf.summary.scalar('Average_of_outputs_over_time', avg)#, name="average_summary")
#以上完成了数据流图的创建，还需要创建Variables初始化Op和利用汇总数据总之到一个Op的辅助节点
#---global_ops部分---，全局variables和Op
with tf.name_scope("global_ops"):
#初始化Op
init = tf.global_variables_initializer()
#将所有汇总数据合并到一个Op中
merged_summaries = tf.summary.merge_all()
#用明确创建的Graph对象启动一个会话
sess = tf.Session(graph=graph)
# 开启一个summary.FileWriter对象，保存汇总数据
writer = tf.summary.FileWriter('./graph/impoved_graph',graph)
#初始化Variables对象
sess.run(init)
def run_graph(input_tensor):
"""
辅助函数：用给定的输入张量运行数据流图并保存数据
"""
feed_dict = {a: input_tensor}
_, step, summary = sess.run([output, increment_step, merged_summaries],feed_dict=feed_dict)
writer.add_summary(summary, global_step=step)
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
#将汇总数据写入磁盘
writer.flush()
#关闭FileWriter对象，Session对象
writer.close()
sess.close()
print("----success----")
Tensorboard可视化：
edit by Strangewx 2019.01.03
