首先，何謂tensor？即高維向量，例如矩陣是二維，tensor是更廣義意義上的n維向量（有type+shape）

TensorFlow執(zhí)行過程為定義圖，其中定義子節(jié)點(diǎn)，計(jì)算時只計(jì)算所需節(jié)點(diǎn)所依賴的節(jié)點(diǎn)，是一種高效且適應(yīng)大規(guī)模的數(shù)據(jù)計(jì)算，方便分布式設(shè)計(jì)，對于復(fù)雜神經(jīng)網(wǎng)絡(luò)的計(jì)算，可將其拆開到其他核中同時計(jì)算。

Theano——torch———caffe（尤其是圖像處理）——deeplearning5j——H20——MXNet，TensorFlow

運(yùn)行環(huán)境

下載docker

打開docker quickstart terminal

標(biāo)紅地方顯示該docker虛擬機(jī)IP地址（即之后的localhost）

docker tensorflow/tensorflow//自動找到TensorFlow容器并下載

docker images//瀏覽當(dāng)前容器

docker run -p 8888:8888 tensorflow/tensorflow//在8888端口運(yùn)行

會出現(xiàn)一個token，復(fù)制該鏈接并替換掉localhost，既可以打開TensorFlow的一個編寫器，jupyter

大體雛形#python導(dǎo)入importtensorflowastf#定義變量（節(jié)點(diǎn)）x = tf.Variable(3, name="x")y = tf.Variable(4, name="y")f = x*x*y + y +2#定義sessionsess = tf.Session()#為已經(jīng)定義的節(jié)點(diǎn)賦值sess.run(x.initializer)sess.run(y.initializer)#運(yùn)行sessionresult = sess.run(f)print(result) #42#釋放空間sess.close

還有一個更簡潔的一種定義并運(yùn)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()

初始化的兩行也可以寫作

init = tf.global_variables_initializer()

init.run()

而session可以改作sess=tf.InteractiveSession()運(yùn)行起來更方便

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

因而TensorFlow的代碼分為兩部分，定義部分和執(zhí)行部分

TensorFlow是一個圖的操作，有自動缺省的默認(rèn)圖和你自己定義的圖

#系統(tǒng)默認(rèn)缺省的圖>>> x1 = tf.Variable(1)>>> x1.graph is tf.get_default_graph()True#自定義的圖>>> graph = tf.Graph()>>> with graph.as_default():x2 = tf.Variable(2)>>> x2.graph is graphTrue>>> x2.graph is tf.get_default_graph()False節(jié)點(diǎn)的生命周期

第二種方法可以找出公共部分，避免x被計(jì)算2次。

運(yùn)行結(jié)束后所有節(jié)點(diǎn)的值都被清空，如果沒有單獨(dú)保存，還需重新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

（線性回歸上的應(yīng)用）

y = wx+b = wx'//這里x'是相較于x多了一維全是1的向量

這里引用California housing的數(shù)據(jù)

TensorFlow上向量是列向量，需要reshape(-1,1)即轉(zhuǎn)置成列向量

使用normal equation方法求解

import numpyasnpfrom sklearn.datasets import fetch_california_housinghousing = fetch_california_housing()#獲得數(shù)據(jù)維度，矩陣的行列長度m, n = housing.data.shape#np.c_是連接的含義，加了一個全為1的維度housing_data_plus_bias = np.c_[np.ones((m,1)), housing.data]#數(shù)據(jù)量并不大，可以直接用常量節(jié)點(diǎn)裝載進(jìn)來，但是之后海量數(shù)據(jù)無法使用（會用minbatch的方式導(dǎo)入數(shù)據(jù)）X=tf.constant(housing_data_plus_bias, dtype=tf.float32, name="X")#轉(zhuǎn)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，之前線性模型中有提及theta =tf.matmul(tf.matmul(tf.matrix_inverse(tf.matmul(XT,X)), XT),y)#求出權(quán)重withtf.Session()assess: theta_value = theta.eval()

如果是原本的方法，可能更直接些。但由于使用底層的庫不同，它們計(jì)算出來的值不完全相同。

#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))

這里不禁感到疑惑，為什么TensorFlow感覺變復(fù)雜了呢？其實(shí)，這不過因?yàn)檫@里數(shù)據(jù)規(guī)模較小，進(jìn)行大規(guī)模的計(jì)算時，TensorFlow的自動優(yōu)化所發(fā)揮的效果，是十分厲害的。

使用gradient descent（梯度下降）方法求解

#使用gradient時需要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，寫入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需要有一個初值theta =tf.Variable(tf.random_uniform([n +1,1], -1.0,1.0), name="theta")#當(dāng)前預(yù)測的y，x是m*（n+1），theta是（n+1）*1，剛好是y的維度y_pred =tf.matmul(X, theta, name="predictions")#整體誤差error = y_pred -y#TensorFlow求解均值功能強(qiáng)大，可以指定維數(shù)，也可以像下面方法求整體的mse =tf.reduce_mean(tf.square(error), name="mse")#暫時自己寫出訓(xùn)練過程，實(shí)際可以采用TensorFlow自帶的功能更強(qiáng)大的自動求解autodiff方法gradients =2/m*tf.matmul(tf.transpose(X), error)training_op =tf.assign(theta, theta - learning_rate * gradients)#初始化并開始求解init =tf.global_variables_initializer()withtf.Session()assess: sess.run(init) forepoch inrange(n_epochs): #每運(yùn)行100次打印一下當(dāng)前平均誤差 ifepoch %100==0: print("Epoch", epoch,"MSE =", mse.eval()) sess.run(training_op) best_theta = theta.eval()

上述代碼中的autodiff如下，可以自動求出gradient

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

使用Optimizer

上述的整個梯度下降和迭代方法，都封裝了在如下方法中

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

training_op= optimizer.minimize(mse)

這樣的optimizer還有很多

例如帶沖量的optimizer = tf.train.MomentumOptimizer(learning_rate=learning_rate,momentum=0.9)

Feeding data to training algorithm

當(dāng)數(shù)據(jù)量達(dá)到幾G，幾十G時，使用constant直接導(dǎo)入數(shù)據(jù)顯然是不現(xiàn)實(shí)的，因而我們用placeholder做一個占位符

（一般行都是none，即數(shù)據(jù)量是任意的）

真正運(yùn)行，run的時候再feed數(shù)據(jù)?？梢圆粩嗍褂眯碌臄?shù)據(jù)。

>>>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.]]

這樣，就可以通過定義min_batch來分批次隨機(jī)抽取指定數(shù)量的數(shù)據(jù)，即便是幾T的數(shù)據(jù)也可以抽取。

batch_size =100n_batches = int(np.ceil(m / batch_size))#有放回的隨機(jī)抽取數(shù)據(jù)deffetch_batch(epoch, batch_index, batch_size): #定義一個隨機(jī)種子 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#開始運(yùn)行withtf.Session()assess: sess.run(init)#每次都抽取新的數(shù)據(jù)做訓(xùn)練 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})#最終結(jié)果 best_theta = theta.eval()

Saving and Restoring models（保存模型）

有時候，運(yùn)行幾天的模型可能因故暫時無法繼續(xù)跑下去，因而需要暫時保持已訓(xùn)練好的部分模型到硬盤上。

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")#恢復(fù)模型withtf.Session()assess: saver.restore(sess,"/tmp/my_model_final.ckpt") best_theta_restored = theta.eval()關(guān)于TensorBoard

眾所周知，神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)大多是黑盒模型，讓人有點(diǎn)忐忑。TensorBoard所起的功能就是將這個黑盒稍微變白一些~

啟用tensorboard

輸入docker ps查看當(dāng)前容器id

進(jìn)入容器

使用tensorboard --log-dir=tf_logs命令打開已經(jīng)存入的tf_logs文件，其生成代碼如下所示

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)