TensorFlow低阶API（一）—

简介

本文旨在知道您使用低级别TensorFlow API（TensorFlow Core）开始编程。您可以学习执行以下操作：

管理自己的TensorFlow程序（tf.Graph）和TensorFlow运行时（tf.Session），而不是依靠Estimator来管理它们
使用tf.Session运行TensorFlow操作
在此低级别环境中使用高级别组件（数据集、层和feature_columns）
构建自己的训练循环，而不是使用Estimator提供的训练循环

我们建议尽可能使用高阶的API构建模型。以下是TensorFlow Core为何很重要的原因：

如果您能够使用低阶TensorFlow操作，实验和调试都会更直接
在使用高阶的API时，能够理解其内部的工作原理

设置

在使用本教程之前，请先安装TensorFlow。

要充分理解本指南中的内容，您应当具备以下方面的知识：

如何使用Python编程
对阵列有所了解
理想情况下，最好对机器学习有一定的了解

您随时启动Python，并按照以下演示进行操作。运行以下行来设置你的python环境：

 from __future__ import absolute_import

 from __future__ import division

 from __future__ import print_function

 import numpy as np

 import tensorflow as tf

张量值

TensorFlow的核心数据单位是张量。一个张量由一组形成阵列（任意维数）的原始值组成。张量的阶是它的维数，而它的形状是一个整数元组，指定了阵列每个维度的长度。以下是张量值的一些示例：

 3. # a rank 0 tensor; a scalar with shape [],

 [1., 2., 3.] # a rank 1 tensor; a vector with shape [3]

 [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]

 [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]

TensorFlow使用numpy阵列来表示张量值。

TensorFlow Core演示

您可以将TensorFlow Core程序看作由两个相互独立的部分组成：

构造计算图（tf.Graph）
运行计算图（tf.Session）

图

计算图是排列成一个图的一系列TensorFlow指令。图由两种类型的对象组成：

操作（简称“op”）：图的节点。操作描述了消耗和生成张量的计算。
张量：图的边。它们代表将流经图的值。大多数TensorFlow函数会返回tf.Tensors。

重要提示：tf.Tensors 不具有值，它们只是计算图中元素的手柄。

我们来构建一个简单的计算图。最基本的指令是一个常量。构建指令的Python函数将一个张量值作为输入值。生成的指令不需要输入值。它在运行时输出的是被传递给构造函数的值。我们可以创建两个如下所示的两个浮点数常量 a 和 b ：

 a = tf.constant(3.0, dtype=tf.float32)

 b = tf.constant(4.0) # also tf.float32 implicitly

 total = a + b

 print(a)

 print(b)

 print(total)

打印语句会生成：

 Tensor("Const:0", shape=(), dtype=float32)

 Tensor("Const_1:0", shape=(), dtype=float32)

 Tensor("add:0", shape=(), dtype=float32)

请注意，打印张量并不会如您可能预期的那样输出值3.0、4.0和7.0。上述语句只会构建计算图。这些tf.Tensor对象仅代表将要运行的操作的结果。

图中的每个指令都拥有唯一的名称。这个名称不同于使用Python分配给相应对象的名称。张量是根据生成它们的指令命名的，后面跟着输出索引，如上文的 “add:0” 所示，表示该add指令的第0个输出。

TensorBoard

TensorFlow提供了一个名为TensorBoard的使用程序。TensorBoard的诸多功能之一是将计算图可视化。您只需要使用几个简单的命令就能轻松完成此操作。

首先将计算图保存为TensorBoard摘要文件具体操作如下所示：

 writer = tf.summary.FileWriter('.')

 writer.add_graph(tf.get_default_graph())

这将在当前目录中生成一个 event 文件，其命名格式如下：

 events.out.tfevents.{timestamp}.{hostname}

现在，在新的终端使用以下shell命令启动TensorBoard:

 tensorboard --logdir .

接下来，在您的浏览器中打开TensorBoard的图页面，您应该会看到与以下图形类似的图：

要想详细了解TensorBoard的计算图可视化工具，请参阅TensorBoard：图的直观展示。

会话（Session）

要评估张量，需要实例化一个tf.Session对象（非正式名称为会话）。会话会封装TensorFlow运行时的状态，并运行TensorFlow操作。如果说tf.Graph像一个 .py 文件，那么tf.Session就像一个python可执行对象。

下面的代码会创建一个tf.Session对象，然后调用其 run 方法来评估我们在上文中所创建的 total 张量：

 sess = tf.Session()

 print(sess.run(total))

当您用 Session.run 请求输出节点时，TensorFlow会回溯整个图，并流经提供了所请求的输出节点对应的输入值的所有节点。因此此指令会打印预期的值7.0：

7.0

您可以将多个张量值传递给 tf.Session.run。run方法以透明方式处理元组或字典的任何组合，如下例所示：

 print(sess.run({'ab':(a, b), 'total':total}))

它返回的结果拥有相同的布局结构：

 {'total': 7.0, 'ab': (3.0, 4.0)}

在调用tf.Session.run期间，任何tf.Tensor都只有单个值。例如，以下代码调用 tf.random_uniform 来生成一个tf.Tensor，后者都会生成随机的三元素矢量（值位于[0,1)区间内）：

 vec = tf.random_uniform(shape=(3,))

 out1 = vec + 1

 out2 = vec + 2

 print(sess.run(vec))

 print(sess.run(vec))

 print(sess.run((out1, out2)))

每次调用run时，结果都会显示不同的随机值，但在单个run期间（out1 和 out2接收到相同的随即输入值），结果显示的值是一致的：

 [ 0.52917576  0.64076328  0.68353939]

 [ 0.66192627  0.89126778  0.06254101]

 (

   array([ 1.88408756,  1.87149239,  1.84057522], dtype=float32),

   array([ 2.88408756,  2.87149239,  2.84057522], dtype=float32)

 )

部分TensorFlow会返回 tf.Operations，而不是tf.Tensors。对指令调用run的结果是None。您运行指令是为了产生副作用，而不是为了检索一个值。这方面的例子包括稍后将演示初始化和训练操作。

供给

目前来讲，这个图不是特别有趣，因为它总是生成一个常量结果。图可以参数化以便接收外部输入，也称为占位符。占位符表示承诺在稍后提供值，它就像函数参数。

 x = tf.placeholder(tf.float32)

 y = tf.placeholder(tf.float32)

 z = x + y

前面三行有点像函数。我们定义了这个函数的两个输入参数（x 和 y）,然后对它们运行指令。我们可以使用run方法的 feed_dict 参数为占位符提供具体的值，从而评估这个具有多个输入的图：

 print(sess.run(z, feed_dict={x: 3, y: 4.5}))

 print(sess.run(z, feed_dict={x: [1, 3], y: [2, 4]}))

上述操作的结果是输出以下内容：

 7.5

 [ 3.  7.]

另请注意，feed_dict 参数可以覆盖图中的任何张量。占位符和其它任何 tf.Tensors 的唯一不同之处在于如果没有为占位符提供值，那么占位符会抛出错误。

数据集

占位符适应于简单的实验，而数据集是将数据流式传输到模型的首要方法。

要从数据集中获取可运行的tf.Tensor，您必须先将其转换成 tf.data.Iterator，然后调用迭代器的 get_next 方法。

创建迭代器的最简单的方式是采用 make_one_shot_iterator 方法。例如，在下面的代码中，next_item 张量将在每次 run 调用时从 my_data阵列中返回一行：

 my_data = [

     [0, 1,],

     [2, 3,],

     [4, 5,],

     [6, 7,],

 ]

 slices = tf.data.Dataset.from_tensor_slices(my_data)

 next_item = slices.make_one_shot_iterator().get_next()

到达数据流末端时，Dataset会抛出 OutOfRangeError 。例如，下面的额代码会一直读取next_item，直到没有数据可读。

 while True:

   try:

     print(sess.run(next_item))

   except tf.errors.OutOfRangeError:

     break

如果Dataset依赖于有状态操作，则可能需要在迭代器之前先初始化它，如下所示：

 r = tf.random_normal([10,3])

 dataset = tf.data.Dataset.from_tensor_slices(r)

 iterator = dataset.make_initializable_iterator()

 next_row = iterator.get_next()

 sess.run(iterator.initializer)

 while True:

   try:

     print(sess.run(next_row))

   except tf.errors.OutOfRangeError:

     break

要详细的了解数据集和迭代器，请参阅导入数据。

层

可训练的模型必须修改图中的值，以便在输入相同值的情况下获得新的输出值。将可训练参数添加到图中的首选方法是层。

层将变量和作用到它们的操作打包在一起。例如，密集连接层会对每个输出对应的所有输入执行加权和，并应用激活函数（可选）。连接权重和偏差由层对象管理。

创建层

下面的代码会创建一个 Dense 层，该层会接收一批输入矢量，并为每个矢量生成一个输出值。要将层应用于输入值，请将该层作为函数来调用。例如：

 x = tf.placeholder(tf.float32, shape=[None, 3])

 linear_model = tf.layers.Dense(units=1)

 y = linear_model(x)

层会检查其输入数据，以确定其内部变量的大小。因此，我们必须在这里设置x占位符的形状，以便层构建正确大小的权重矩阵。

我们现在定义了输出值y的计算，在我们运行计算前，还需要处理一个细节。

初始化层

层包含的变量必须先初始化，然后才能使用。尽管可以单独初始化各个变量，但也可以轻松的初始化一个TensorFlow图中的所有变量（如下所示）：

 init = tf.global_variables_initializer()

 sess.run(init)

重要提示：调用 tf.global_variables_initializer 仅会创建并返回 TensorFlow 操作的句柄。当我们使用 tf.Session.run 运行该操作时，该操作将初始化所有全局变量。

另请注意，此 global_variables_initializer 仅会初始化创建初始化程序时图中就存在的变量。因此您应该在构建图表的最后一步添加初始化程序。

执行层

我们现在已经完成了层的初始化，可以像处理任何其它张量一样评估 linear_model 的输出张量了。

例如，下面的代码：

 print(sess.run(y, {x: [[1, 2, 3],[4, 5, 6]]}))

会生成一个两元素输出向量，如下所示：

 [[ 4.5423756]

  [11.656053 ]]

层函数的快捷方式

对于每个层类（如 tf.layers.Dense），TensorFlow提供了一个快捷函数（如 tf.layers.dense）。两者唯一的区别是快捷函数版本是在单次调用中创建和使用层。例如，以下代码等同于较早版本：

 x = tf.placeholder(tf.float32, shape=[None, 3])

 y = tf.layers.dense(x, units=1)

 init = tf.global_variables_initializer()

 sess.run(init)

 print(sess.run(y, {x: [[1, 2, 3], [4, 5, 6]]}))

尽管这种方法很方便，但无法访问 tf.layers.Layer 对象。这会让自省和调试变得更加困难，并且无法重复使用相应的层。

特征列

使用特征列进行实验的最简单方法是使用 tf.feature_column.input_layer 函数。此函数只接受密集列作为输入，因此要查看类别列的结果，您必须将其封装在 tf.feature_column.indicator_column 中，例如：

 features = {

     'sales' : [[5], [10], [8], [9]],

     'department': ['sports', 'sports', 'gardening', 'gardening']}

 department_column = tf.feature_column.categorical_column_with_vocabulary_list(

         'department', ['sports', 'gardening'])

 department_column = tf.feature_column.indicator_column(department_column)

 columns = [

     tf.feature_column.numeric_column('sales'),

     department_column

 ]

 inputs = tf.feature_column.input_layer(features, columns)

运行input张量会将feature解析为一批向量。

特征列和层一样具有内部状态，因此通常需要将它们初始化。类别列表会在内部使用对照表，而这些表需要单独的初始化操作 tf.tables_initializer。

 var_init = tf.global_variables_initializer()

 table_init = tf.tables_initializer()

 sess = tf.Session()

 sess.run((var_init, table_init))

初始化内部状态后，您可以运行input（像运行其它tf.Tensor一样）：

 print(sess.run(inputs))

这显示了特征列如何打包输入矢量，并将“department”作为第一和第二索引，将"sales"作为第三个索引。

 [[  1.   0.   5.]

  [  1.   0.  10.]

  [  0.   1.   8.]

  [  0.   1.   9.]]

训练

您现在已经了解TensorFlow核心部分的基础知识了，我们来手动训练一个小型回归模型吧。

定义数据

我们首先来定义一些输入值x，以及每个输入值得预期输出值y_ture：

 x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)

 y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)

定义模型

接下来，建立一个简单得线性模型，其输出值只有一个：

 linear_model = tf.layers.Dense(units=1)

 y_pred = linear_model(x)

您可以如下评估预测值：

 sess = tf.Session()

 init = tf.global_variables_initializer()

 sess.run(init)

 print(sess.run(y_pred))

该模型尚未训练，因此四个“预测值”并不理想。以下是我们得到得结果，您自己的输出应该有所不同：

 [[-1.460115]

  [-2.92023 ]

  [-4.380345]

  [-5.84046 ]]

损失

要优化模型，你首先需要定义损失。我们将使用均方误差，这是回归问题的标准损失。

虽然您可以使用较低级别的数学运算手动定义，但 tf.losses 模块提供了一系列常用的损失函数。您可以用它来计算均方误差，具体操作如下所示：

 loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)

 print(sess.run(loss))

会得到如下所示的损失值（你的应该有所不同）:

 3.6203036

训练

TensorFlow提供了执行标准优化算法的优化器。这些优化器被实现为 tf.train.Optimizer 的子类。它们会逐渐改变每个变量，以便将损失最小化。最简单的优化算法是梯度下降法，由 tf.train.GrandientDescentOptimizer 实现。它会根据损失相对于变量的导数大小来修改各个变量。例如：

 optimizer = tf.train.GradientDescentOptimizer(0.01)

 train = optimizer.minimize(loss)

该代码构建了优化所需的所有图组件，并返回一个训练指令。该训练指令在运行时会更新图中的变量。您可以按照以下方式运行该指令：

 for i in range(100):

   _, loss_value = sess.run((train, loss))

   print(loss_value)

由于train是一个指令而不是张量，因此它在运行时不会返回一个值。为了查看训练期间损失的进展，我们会同时运行损失张量，生成如下所示的输出值：

完整程序

 x = tf.constant([[1], [2], [3], [4]], dtype=tf.float32)

 y_true = tf.constant([[0], [-1], [-2], [-3]], dtype=tf.float32)

 linear_model = tf.layers.Dense(units=1)

 y_pred = linear_model(x)

 loss = tf.losses.mean_squared_error(labels=y_true, predictions=y_pred)

 optimizer = tf.train.GradientDescentOptimizer(0.01)

 train = optimizer.minimize(loss)

 init = tf.global_variables_initializer()

 sess = tf.Session()

 sess.run(init)

 for i in range(100):

   _, loss_value = sess.run((train, loss))

   print(loss_value)

 print(sess.run(y_pred))

后续步骤

要详细了解如何使用TensorFlow构建模型，请参阅以下内容：

自定义Estimator，了解如何使用TensorFlow构建自定义模型。掌握TensorFlow Core知识有助于理解和调试您的模型。

如果您像详细了解TensorFlow的内部工作原理，请参阅以下文档。这些文档深入探讨了这篇文章中提到的许多主题：

图与会话
张量
变量

参考链接：https://tensorflow.google.cn/guide/low_level_intro#training_2