记录一些Tensorflow小知识点

作者：xg123321123 - 时光杂货店

出处：http://blog.csdn.net/xg123321123/article/details/77882232

声明：版权所有，转载请联系作者并注明出处

1 Tensorflow 中feature map的计算

在Tensorflow中，padding的方式有2种：SAME 和 VALID

• 首先是计算公式

  • 使用VALID时：

    output=ceil(float(input−kernel+1)/stride)

  • 使用SAME时：

    output=ceil(float(input)/stride)

• 其次是讲解

  • 对于VALID来说，实质上是没有填充，多余的元素则被丢弃，比如下面的input_width=13,只允许滑动2次,多余的元素全部丢掉
    

  • 对于SAME来说，实质上是补全元素,比如下面的情况,允许滑动3次,但是需要补3个元素,左奇右偶,在左边补一个0,右边补2个0

  • 以上两者都是在input size为13，kernel size为6，stride为5的情况下进行

• 以上信息是否正确，可自行实验

作为对比，将caffe的计算方式也给出来：

• 定义
  输入： n∗c0∗w0∗h0
  输出： n∗c1∗w1∗h1
  其中 c1 是生成的feature map个数，即num_output；

• 生成的feature map尺寸，计算如下:
  w_1 = (w_0 + 2*p-k)/s + 1
  h_1 = (h_0 + 2*p-k)/s + 1

• 其中 p 是padding的尺寸， k 是卷积核的尺寸；
  由上式可知，如果 p=(k−1)/2 ，则运算后，feature map的尺寸不变。

---

2 获取变量的shape

• tf.shape(x) #其中x可以是tensor或其他类型，返回是一个tensor
• x.get_shape() #只有tensor有这个方法， 返回是一个tuple

---

3 用reshape将数组平铺

• 函数原型：tf.reshape(tensor, shape, name=None)
• shape参数中的-1表示根据数组元素总数，自动计算出剩余的维度，shape参数只能有一个-1
• 当shape参数为[-1]时，表示将该数组完全平铺开来

---

4 conv2d中参数的含义

• 函数原型：tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=None, name=None)

• 除去name参数用以指定该操作的name，与方法有关的一共五个参数：

  • input：指需要做卷积的输入图像，它要求是一个Tensor，具有[batch, in_height, in_width, in_channels]这样的shape，具体含义是[训练时一个batch的图片数量, 图片高度, 图片宽度, 图像通道数]，注意这是一个4维的Tensor，要求类型为float32和float64其中之一
  • filter：相当于CNN中的卷积核，它要求是一个Tensor，具有[filter_height, filter_width, in_channels, out_channels]这样的shape，具体含义是[卷积核的高度，卷积核的宽度，图像通道数，卷积核个数]，要求类型与参数input相同,filter的通道数要求与input的in_channels一致，有一个地方需要注意，第三维in_channels，就是参数input的第四维
  • strides：卷积时在图像每一维的步长，这是一个一维的向量，长度4，只有strides1和strides2有实际意义，具体指定了filter的尺寸，strides0=strides3=1则只是将其包装成一个合格的tensor
  • padding：string类型的量，只能是”SAME”,”VALID”其中之一，这个值决定了不同的卷积方式
  • use_cudnn_on_gpu:bool类型，是否使用cudnn加速，默认为true

• 结果返回一个Tensor，就是我们常说的feature map

• 栗子如下：

    import tensorflow as tf  
    #case 2  
    input = tf.Variable(tf.random_normal([1,3,3,5]))  
    filter = tf.Variable(tf.random_normal([1,1,5,1]))  
    op = tf.nn.conv2d(input, filter, strides=[1, 1, 1, 1], padding='VALID')  

    with tf.Session() as sess:  
        sess.run(tf.initialize_all_variables())  
        res = (sess.run(op))  
        print (res.shape)  

---

5 使用指定的GPU及GPU显存

• 终端执行程序时设置使用的GPU
  如果电脑有多个GPU，tensorflow默认全部使用。如果想只使用部分GPU，可以设置CUDA_VISIBLE_DEVICES。在调用python程序时，可以使用：

  CUDA_VISIBLE_DEVICES=1 python my_script.py 

• python代码中设置使用的GPU
  如果要在python代码中设置使用的GPU（如使用pycharm进行调试时），可以使用下面的代码：

  import os
  os.environ["CUDA_VISIBLE_DEVICES"] = "2"
  
  #也可以用 with tf.device 创建一个设备环境, 这个环境下的 operation 都统一运行在环境指定的设备上，如：
  
      with tf.device('/gpu:2'):
        a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
        b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
        c = tf.matmul(a, b)
      sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
  
  #如果指定的设备不存在, 会收到 InvalidArgumentError 错误提示；下面的代码也是同样的指定效果
  
  init = tf.global_variables_initializer()
  config = tf.ConfigProto(device_count = {'GPU': 0})
  with tf.Session(config=config) as sess:
       sess.run(init)
  
  #而下面的代码可以让tensorFlow 自动选择一个存在并且支持的设备来运行
  
  sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
  
  
  #下面可以记录设备指派情况 
  
  sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

• 设置tensorflow使用的显存大小

  • 定量设置显存
    默认tensorflow是使用GPU尽可能多的显存。可以通过下面的方式，来设置使用的GPU显存：

    gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
    sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))        

    可以按照需要，设置不同的值，来分配显存；上面分配给tensorflow的GPU显存大小为：GPU实际显存*0.7。

  • 按需设置显存
    上面的只能设置固定的大小。如果想按需分配，可以使用allow_growth参数

    gpu_options = tf.GPUOptions(allow_growth=True)
    sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))   

6 打印tensor的值

使用tensorflow时，如果直接print某个tensor，得到的是其shape信息。

如果想要打印tensor的值，需要借助class tf.Session或者class tf.InteractiveSession。

因为在建立graph的时候，只建立tensor的结构形状信息，并没有执行数据的操作。

• 首先是class tf.Session
  运行tensorflow操作的类，其对象封装了执行操作对象和评估tensor数值的环境，在定义好所有的数据结构和操作后，其最后运行。

import tensorflow as tf  

# Build a graph.  
a = tf.constant(5.0)  
b = tf.constant(6.0)  
c = a * b  
# Launch the graph in a session.  
sess = tf.Session()  
# Evaluate the tensor `c`.  
print(sess.run(c))  

• 其次是class tf.InteractiveSession
  用于交互上下文的session，便于输出tensor的数值。与上一个Session相比，其有默认的session执行相关操作，比如：Tensor.eval(), Operation.run()。
  Tensor.eval()是执行这个tensor之前的所有操作，Operation.run()也是。

import tensorflow as tf  
a = tf.constant(5.0)  
b = tf.constant(6.0)  
c = a * b  
with tf.Session():  
   print(c.eval())  

---

本篇博客参考自以下博客：
TensorFlow与caffe中卷积层feature map大小计算
tensorflow conv2d的padding解释以及参数解释
tensorflow使用指定的GPU及GPU显存
学习TensorFlow，打印输出tensor的值