瞎聊深度学习——TensorFlow的基本应用

简介: 瞎聊深度学习——TensorFlow的基本应用

首先来说一下TensorFlow的几个关键词:

图(graph)、会话、张量(tensor)、变量(Variable)、feed、fetch。

说一下上面关键词的作用:


  • 用图(graph)来表示计算任务
  • 在被称之为会话(Session)的上下文(context)中执行图
  • 使用tensor表示数据
  • 通过变量(Variable)维护状态
  • 用feed和fetch可以为任意操作赋值或者从中获取数据


张量(tensor)是什么?

我们可以把张量认作是基于向量和矩阵的推广,举几个实例来表示一下N阶标量都代表什么:

image.png

Tensorflow中用图来表示计算任务,图中的每个节点我们叫它OP,并且每一个OP都可以获得0个以上的tensor,然后执行计算后产生0个或多个tensor;而在计算图的时候为了能够进行计算,必须在会话(session)中启动图,session会将图上的OP分配到CPU、GPU等设备上(我们无需具体的定义使用CPU还是GPU,如果检测到GPU,TensorFlow会用检测到的第一个GPU来执行),同时提供执行OP的方法,执行完成后再将OP返回。


下面用具体的操作来讲解一下每一步的实际应用。


构建并启动图

先上一段代码看一下

import tensorflow as tf
# 此处用来定义OP中的张量
matrix1 = tf.constant([[1, 2, 3]])
matrix2 = tf.constant([[4], [5], [6]])
# 矩阵相乘(执行OP的方法)
Matrix = tf.matmul(matrix1, matrix2)
# 启动默认图(计算图时一定要先启动默认图)
sess = tf.Session()
# 想要执行我们所定义的执行OP的方法,要调用sess中的run函数,返回的是一个numpy `ndarray` 对象
re = sess.run(Matrix)
# 会话完成后要close以释放资源
sess.close()
print(re)

运行结果

image.png

说明:

这是一段简单的使用TensorFlow计算常量矩阵相乘的代码,在TensorFlow中我们可以使用constant来创建常量OP,需要注意的是在执行OP的时候一定要先启动默认图:session = tf.Session() ,然后使用session.run()执行即可,使用session的run函数的时候就像是我们在使用一种编译器的时候进行编译执行一样。


另一种执行方法:

with tf.Session() as sess:
    re = sess.run(Matrix)
    print(re)

这样做的好处是我们无需再使用close释放资源,在with执行完后会自动进行close操作。


GPU

如果电脑上右多个可用的GPU我们可以用如下的语句来选择GPU

with tf.device("/gpu:1"):
    ......

可以使用:

"/cpu:0" 表示使用第一个cpu

"/gpu:0" 表示使用第一个gpu

以此类推


变量(variable)

变量用来维护图执行过程中的状态信息,例如在神经网络总用于保存和更新神经网络上的参数。

举一个常见的例子,用变量来实现一个计数器,通过assign函数不断的给变量count赋计数后的值即可。

import tensorflow as tf
count = tf.Variable(0)
add = tf.constant(1)
add_one = tf.add(count, add)
# assign函数用于复制操作
update = tf.assign(count, add_one)
# init用于在session中让变量初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(5):
        result = sess.run(update)
        print(result)

运行结果如下:

20.png

Feed和Fetch

Feed主要用于临时替换一个操作的输出结果,我们可以提供feed数据作为run()函数调用的参数,feed只在方法内有效,结束后feed就会消失,常见的一种形式是我们用tf.placeholder()来创建占位符,方便于feed在run()内的赋值。举例如下:

import tensorflow as tf
matrix1 = tf.placeholder(dtype=tf.float32)
matrix2 = tf.placeholder(dtype=tf.float32)
Matrix = tf.multiply(matrix1,matrix2)
with tf.Session() as sess:
    re = sess.run([Matrix],feed_dict={matrix1: [1.2], matrix2: [2.2]})
    print(re)

结果:

image.png

要注意一下multiply实现的是元素级别的相乘,两个相乘的数一定要有相同的数据类型,而matmul是矩阵相乘。

在之前的run()操作中,我们每次只返回了一个OP操作的值,Fetch一个可以返回多个OP值得属性。

import tensorflow as tf
num1 = tf.constant(3)
num2 = tf.constant(4)
num3 = tf.constant(5)
count1 = tf.add(num1, num2)
count2 = tf.add(count1, num3)
with tf.Session() as sess:
    re = sess.run([count1, count2])
    print(re)

结果如下:

22.png

以上就是对TensorFlow的一些基本操作和性质的解释和示例,后续还会更深一步的学习tf的其他用法。

相关实践学习
基于阿里云DeepGPU实例,用AI画唯美国风少女
本实验基于阿里云DeepGPU实例,使用aiacctorch加速stable-diffusion-webui,用AI画唯美国风少女,可提升性能至高至原性能的2.6倍。
相关文章
|
17天前
|
人工智能 PyTorch TensorFlow
人工智能应用工程师技能提升系列1、——TensorFlow2
人工智能应用工程师技能提升系列1、——TensorFlow2
36 0
|
1天前
|
机器学习/深度学习 算法 搜索推荐
《深度学习在医学影像识别中的应用与前景》
【2月更文挑战第4天】 医学影像识别是近年来深度学习技术的一个热门应用领域。本文将介绍深度学习在医学影像识别中的应用现状,探讨其在医学诊断、治疗以及医疗大数据分析等方面的潜在前景,并对未来发展进行展望。
8 4
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
【2月更文挑战第4天】随着人工智能技术的不断发展,深度学习在自然语言处理领域扮演着越来越重要的角色。本文将探讨深度学习在自然语言处理中的应用现状及面临的挑战,从技术角度分析其发展趋势和解决方向。
|
1天前
|
机器学习/深度学习 算法 数据安全/隐私保护
深度学习在医疗影像识别中的应用与挑战
【2月更文挑战第3天】传统的医疗影像识别技术在面对复杂病变时存在局限性,而深度学习技术的快速发展为医疗影像识别带来了新的机遇和挑战。本文将探讨深度学习在医疗影像识别中的应用现状,以及在实际应用中所面临的挑战和解决方案。
7 0
|
1天前
|
机器学习/深度学习 数据采集 存储
《深度学习在医疗影像识别中的应用与挑战》
【2月更文挑战第3天】 随着深度学习技术的不断发展,其在医疗影像识别领域的应用日益广泛。本文将探讨深度学习在医疗影像识别中的重要性、现有应用案例以及面临的挑战,并提出未来发展的方向和建议。
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用
【2月更文挑战第3天】随着人工智能技术的不断发展,自然语言处理成为了人工智能领域中的一个重要分支。深度学习作为一种有效的机器学习方法,在自然语言处理领域中也有着广泛的应用。本文将从深度学习在自然语言处理中的应用出发,探讨深度学习技术在自然语言处理中的优势和挑战,并介绍一些常见的深度学习模型及其应用。
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习技术在自然语言处理中的应用与思考
【2月更文挑战第3天】 传统的自然语言处理技术在处理复杂语义和语法问题时存在诸多限制,而深度学习技术的崛起为解决这一难题提供了新的可能性。本文将探讨深度学习技术在自然语言处理领域的应用现状及未来发展趋势,以及对技术发展的思考和展望。
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
【2月更文挑战第3天】 自然语言处理(NLP)是人工智能领域的热门研究方向,而深度学习技术的迅猛发展为NLP的发展带来了新的机遇和挑战。本文将探讨深度学习在自然语言处理中的应用现状,分析技术发展趋势,并就其中的挑战进行讨论,旨在为读者提供对NLP领域的深入了解和思考。
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用与挑战
【2月更文挑战第3天】在当今信息爆炸的时代,自然语言处理技术的发展日新月异。本文将探讨深度学习在自然语言处理领域中的应用现状和面临的挑战,以及作者对未来发展的一些思考。
6 2
|
1天前
|
机器学习/深度学习 人工智能 自然语言处理
深度学习在自然语言处理中的应用
【2月更文挑战第3天】深度学习技术因其强大的模式识别和分类能力,成为自然语言处理领域的热门技术之一。本文将介绍深度学习在自然语言处理中的应用,包括文本分类、情感分析、机器翻译等方面。我们将从基础概念入手,详细阐述深度学习在自然语言处理中的实现方法以及优势与不足之处。

相关产品