学习笔记 TF007:Tensor、Graph、Op、Variable、占位符、Session、名称作用域、Board 综合例子

输入采用占位符，模型接收任意长度向量，随时间计算数据流图所有输出总和，采用名称作用域合理划分数据流图，每次运行保存数据流图输出、累加、均值到磁盘。

[None]代表任意长度向量，[]代表标量。update 环节更新各 Variable 对象以及将数据传入 TensorBoard 汇总 Op。与交换工作流分开，独立名称作用域包含 Variable 对象，存储输出累加和，记录数据流图运行次数。独立名称作用域包含 TensorBoard 汇总数据，tf.scalar_summary Op。汇总数据在 Variable 对象更新完成后才添加。

构建数据流图。 导入 TensorFlow 库。Graph 类构造方法 tf.Graph()，显式创建 Graph 对象。两个“全局” Variable 对象，追踪模型运行次数，追踪模型所有输出累加和。与其他节点区分开，放入独立名称作用域。trainable=False 设置明确指定 Variable 对象只能手工设置。 模型核心的变换计算，封装到名称作用域"transformation"，又划分三个子名称作用域"input"、"intermediate_layer"、"output"。.multiply、.add 只能接收标量参数，.reduce_prod、. reduce_sum 可以接收向量参数。 在"update"名称作用域内更新 Variable 对象。.assign_add 实现 Variable 对象递增。 在"summaries"名称作用域内汇总数据供 TensorBoard 用。.cast()做数据类型转换。.summary.scalar()做标量数据汇总。 在"global_ops"名称作用域创建全局 Operation(Op)。初始化所有 Variable 对象。合并所有汇总数据。

运行数据流图。 .Session()启动 Session 对象，graph 属性加载 Graph 对象，.summary.FileWriter()启动 FileWriter 对象，保存汇总数据。 初始化 Variable 对象。 创建运行数据流图辅助函数，传入向量，运行数据流图，保存汇总数据。创建 feed_dict 参数字典，以 input_tensor 替换 a 句柄的 tf.placeholder 节点值。使用 feed_dict 运行 output 不关心存储，运行 increment_step 保存到 step，运行 merged_summaries Op 保存到 summary。添加汇总数据到 FileWriter 对象，global_step 参数随时间图示折线图横轴。 变换向量长度多次调用运行数据流图辅助函数。.flush()把汇总数据写入磁盘。

查看数据流图。 Graph 标签，变换运算流入 update 方框，为 summaries、variables 提供输入，global_ops 包含变换计算非关键运算。输入层、中间层、输出层分离。 Scalars 标签，summary.scalar 对象标签查看不同时间点汇总数据变化。

import tensorflow as tf#导入 TensorFlow 库 #构建数据流图 graph = tf.Graph()#显式创建 Graph 对象 with graph.as_default():#设为默认 Graph 对象 with tf.name_scope("variables"):#创建 Variable 对象名称作用域 global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")#记录数据流图运行次数的 Variable 对象，初值为 0，数据类型为 32 位整型，不可自动修改，以 global_step 标识 total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")#追踪模型所有输出累加和的 Variable 对象，初值为 0.0，数据类型为 32 位浮点型，不可自动修改，以 total_output 标识 with tf.name_scope("transformation"):#创建变换计算 Op 名称作用域 with tf.name_scope("input"):#创建独立输入层名称作用域 a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")#创建占位符，接收一个 32 位浮点型任意长度的向量作为输入，以 input_placeholder_a 标识 with tf.name_scope("intermediate_layer"):#创建独立中间层名称作用域 b = tf.reduce_prod(a, name="product_b")#创建创建归约乘积 Op，接收张量输入，输出张量所有分量(元素)的乘积，以 product_b 标识 c = tf.reduce_sum(a, name="sum_c")#创建创建归约求和 Op，接收张量输入，输出张量所有分量(元素)的求和，以 sum_c 标识 with tf.name_scope("output"):#创建独立输出层名称作用域 output = tf.add(b, c, name="output")#创建创建求和 Op，接收两个标量输入,输出标量求和,以 output 标识 with tf.name_scope("update"): update_total = total_output.assign_add(output)#用最新的输出更新 Variable 对象 total_output increment_step = global_step.assign_add(1)#增 1 更新 Variable 对象 global_step，记录数据流图运行次数 with tf.name_scope("summaries"):#创建数据汇总 Op 名称作用域 avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")#计算平均值，输出累加和除以数据流图运行次数，把运行次数数据类型转换为 32 位浮点型，以 average 标识 tf.summary.scalar(b'output_summary',output)#创建输出节点标量数据统计汇总，以 output_summary 标识 tf.summary.scalar(b'total_summary',update_total)#创建输出累加求和标量数据统计汇总，以 total_summary 标识 tf.summary.scalar(b'average_summary',avg)#创建平均值标量数据统计汇总，以 average_summary 标识 with tf.name_scope("global_ops"):#创建全局 Operation(Op)名称作用域 init = tf.global_variables_initializer()#创建初始化所有 Variable 对象的 Op merged_summaries = tf.summary.merge_all()#创建合并所有汇总数据的 Op #运行数据流图 sess = tf.Session(graph=graph)#用显式创建 Graph 对象启动 Session 会话对象 writer = tf.summary.FileWriter('./improved_graph', graph)#启动 FileWriter 对象，保存汇总数据 sess.run(init)#运行 Variable 对象初始化 Op def run_graph(input_tensor):#定义数据注图运行辅助函数 """ 辅助函数：用给定的输入张量运行数据流图， 并保存汇总数据 """ feed_dict = {a: input_tensor}#创建 feed_dict 参数字典，以 input_tensor 替换 a 句柄的 tf.placeholder 节点值 _, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)#使用 feed_dict 运行 output 不关心存储，运行 increment_step 保存到 step，运行 merged_summaries Op 保存到 summary writer.add_summary(summary, global_step=step)#添加汇总数据到 FileWriter 对象，global_step 参数时间图示折线图横轴 #用不同的输入用例运行数据流图 run_graph([2,8]) run_graph([3,1,3,3]) run_graph([8]) run_graph([1,2,3]) run_graph([11,4]) run_graph([4,1]) run_graph([7,3,1]) run_graph([6,3]) run_graph([0,2]) run_graph([4,5,6]) writer.flush()#将汇总数据写入磁盘 writer.close()#关闭 FileWriter 对象，释放资源 sess.close()#关闭 Session 对象，释放资源 

参考资料： 《面向机器智能的 TensorFlow 实践》

欢迎加我微信交流：qingxingfengzi

我的微信公众号:qingxingfengzigz

我老婆张幸清的微信公众号：qingqingfeifangz