深度学习tensorflow数据流图基础知识点

 

一、深度学习与机器学习区别

（一）特征提取方面

1、机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数

据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需

要人工设计特征提取环节。

2、深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部

分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、

语音、自然语言领域。

（二）数据方面

1、机器学习需要的执行时间远少于深度学习

2、深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。

（三）算法方面

1、 机器学习

代表：K-Means、决策树、线性回归等

2、 深度学习

代表：神经网络

（四）深度学习应用场景

1、 图像识别

物体识别

车型识别

人脸检测跟踪

人脸身份认证

2、 自然语言处理技术

机器翻译

聊天对话

3、 语音技术

语音识别

（五）常用的深度学习框架

1、 Caffe

2、Torch

3、 Theano

4、TensorFlow

5、 MXNet

6、 PaddlePaddle--百度飞浆

二、TensorFlow 框架 简介

1、高度灵活（Deep Flexibility）

它不仅是可以用来做神经网络算法研究，也可以用来做普通的机器学习算

法，甚至是只要你能够把计算表示成数据流图，都可以用 TensorFlow。

2、语言多样（Language Options）

TensorFlow 使用 C++实现的，然后用 Python 封装。

3、设备支持

TensorFlow 可以运行在各种硬件上，同时根据计算的需要，合理将运算分配

到相应的设备，比如卷积就分配到 GPU 上，也允许在 CPU 和 GPU 上的计算分

布，甚至支持使用 gRPC 进行水平扩展。

4、Tensorboard 可视化

TensorBoard 是 TensorFlow 的一组 Web 应用，用来监控 TensorFlow 运行过

程，或可视化 Computation Graph。

三、tensorflow数据流图基础知识点

1、什么是tensorflow数据流图（Data Flow Graph）：
官方的解释为：数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

2、tensorflow数据流图如下所示

3、直接打印tensor相加之和，没有得到相加的结果定义一个op之后得到一个tensor，tensor包含的是op

import tensorflow as tf
import os
 
con_a = tf.constant(3)
con_b = tf.constant(4)
 
con_c = tf.add(con_a,con_b)
 
print(con_c) #Tensor("Add:0", shape=(), dtype=int32)

返回的结果为Tensor("Add:0", shape=(), dtype=int32)，而不是结果预期的数值

4、如果我们要得到运行结果，需要进行下面开启会话执行op的代码

import tensorflow as tf
import os
 
con_a = tf.constant(3)
con_b = tf.constant(4)
 
con_c = tf.add(con_a,con_b)
#开启会话，执行op
with tf.Session() as ss:
    print(ss.run(con_c))

得到的结果为数值7。

5、会话是什么？
tensorflow底层是c++写的，而我们写的代码是python代码，所谓会话便是连接python和c++的地方。

6、关于op与tensor
op其实是操作,tensor张量的本质是n维数组。

7、tensor和session都有grap图属性，通过graph来获取图属性，如果不特殊指定，都在默认的图中执行

import tensorflow as tf
 
con_a = tf.constant(3)
con_b = tf.constant(4)
 
con_c = tf.add(con_a,con_b)
print(con_a.graph)
print(con_b.graph)
print(con_c.graph)
 
g = tf.Graph()
with tf.Session() as ss:
    print(ss.graph)
    
'''




'''

8、使用get_default_graph()获取默认图的地址

import tensorflow as tf
 
con_a = tf.constant(3)
con_b = tf.constant(4)
 
con_c = tf.add(con_a,con_b)
print(con_c.graph)
print(tf.get_default_graph())
g = tf.Graph()
with tf.Session() as ss:
    print(ss.graph)
'''



'''

9、使用tf.Graph()创建自定义图来运行数据
在这里我们要先创建图，创建完成后在图中定义tensor和op，之后使用with tf.Session(graph=g) as ss来开启graph指定要运行的图。

import tensorflow as tf
 
# 创建图
g = tf.Graph()
with g.as_default():
    #在创建的图中定义tensor和op
    g_a = tf.constant(5.0)
    print(g_a)
    #Tensor("Const:0", shape=(), dtype=float32)
 
#开启graph指定要运行的图，如果我们想要得到运行的结果，必须进行下面这段代码
with tf.Session(graph=g) as ss:
    print(ss.run(g_a)) #5.0

10、在上述代码大体分成两个阶段
1.构建图阶段

2.执行图阶段

11、关于结果标红问题
代码运行可能出现下面的结果：I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

这时候加入下面两句话即可解决这个问题：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'