当前位置：首页 > news >正文

tensorflow 基本概念和基本操作

news 来源：原创 2024/11/18 21:36:42

op和tensor之间的关系

op是graph上的节点，线就是tensor。
op输入tensor，同时也产出下游的tensor
作为每一个tensor，都会有一个op的属性(attribute)，该op就代表着这个tensor是被什么计算产出的。举个例子：

In [74]: with tf.Session() as sess:
    ...:     zer = tf.zeros(shape=(32, 32))
    ...:     print(zer.op)
    ...:     
name: "zeros_0"
op: "Const"
attr {
  key: "dtype"
  value {
    type: DT_FLOAT
  }
}
attr {
  key: "value"
  value {
    tensor {
      dtype: DT_FLOAT
      tensor_shape {
        dim {
          size: 32
        }
        dim {
          size: 32
        }
      }
      float_val: 0.0
    }
  }
}

zer是个Tensor，op属性是Const，代表是被Const 的op生成的。

tf.constant/zeros是小写，因为这里都是一个方法，一个生成op的function，这op会产出元素全为0的tensor ；
tf.Variable 本身是一个类，所以是大写；
op是和graph绑定的，tensor是和session绑定的。

随机种子固定

reference

深度学习模型稳定，设定随机种子大全

这个解释了下解决方案中最基本的设置种子方式里面的每一行的含义
Tensorflow随机数生成种子tf.set_random_seed()

这个做实验证明了：图级别的随机种子设置和 op级别的随机种子设置的区别，以及前者可以涵盖后者的特性
stackoverflow：How to get stable results with TensorFlow, setting random seed

高赞：tf.set_random_seed只是设定了当前图的默认seed，所以每次创建一张新的图，应该在其作用域内重新设定一下种子
stackoverflow:reproducible-results-in-tensorflow-with-tf-set-random-seed

tf里的随机数生成，不仅受你设置的seed值的影响，定，计算图的随机种子实际上是当前计算图的最后一个操作的id号– 创建图后，需要先设置随机数种子，然后再生成随机数算子。
那我其实就不是很理解这里的tf.set_random_seed的作用了( 似乎完全咩有起作用… )
~~注意，GPU上的随机数目前是无法设置多次运行固定死的 – 公知~~
- reddit的这个回答似乎是有办法（还未尝试过)，在下述解决方案的基础上要加如下的代码 [记得也有人说这是tf2才有效的方式，对tf1无效…]：
```
os.environ['TF_DETERMINISTIC_OPS'] = '1'
os.environ['TF_CUDNN_DETERMINISTIC'] = '1'
tf.config.threading.set_inter_op_parallelism_threads(1)
tf.config.threading.set_intra_op_parallelism_threads(1)
```

解决方案

最基本的

def seed_tensorflow(seed=1217):
    import random
    import os
    random.seed(seed)
    os.environ['PYTHONHASHSEED'] = str(seed)
    np.random.seed(seed)
    tf.set_random_seed(seed)	# , disable_gpu = TRUE

    # the below seems configs that work for tf2
    os.environ['TF_DETERMINISTIC_OPS'] = '1'
    os.environ['TF_CUDNN_DETERMINISTIC'] = '1'

    tf.config.threading.set_inter_op_parallelism_threads(1)
    tf.config.threading.set_intra_op_parallelism_threads(1)

tf 赋值与依赖性

在这里插入图片描述
黄色的是参考边 reference edge 表示节点的输出值用于改变箭头指向的向量，但对于指向的向量来说不存在DAG里的拓扑依赖
灰色的是数据流边 dataflow edge 箭头指向的向量的计算在DAG中对上游向量存在拓扑依赖

import tensorflow as tf
sess= tf.InteractiveSession()

with tf.name_scope('test_1') as scope:
    W = tf.Variable(10,name='W')
    assign_op = W.assign(100,name='assign_W')

with tf.name_scope('test_2') as scope:
    my_var = tf.Variable(2, name="my_var")
    my_var_times_two = my_var.assign(2 * my_var,name='multiply')
#     sess.run(my_var_times_two)
    # print(f"my_var_times_two is {my_var_times_two}")
    
writer=tf.summary.FileWriter('graph',sess.graph)	# 其实这一步写完就会存储tensorboard了。后面两部是为了能立马flush进文件中去
writer.flush()
writer.close()
# sess.close()

W = tf.Variable(10)
assign_op = W.assign(100)
sess.run(assign_op)
print(W.eval() )

>>> 100

my_var = tf.Variable(2, name="my_var")
my_var_times_two = my_var.assign(2 * my_var)
sess.run(my_var_times_two)
# print(f"my_var_times_two is {my_var_times_two}")

---------------------------------------------------------------------------
FailedPreconditionError                   Traceback (most recent call last)
~/.conda/envs/tf1.15/lib/python3.7/site-packages/tensorflow_core/python/client/session.py in _do_call(self, fn, *args)
   1364     try:
-> 1365       return fn(*args)
   1366     except errors.OpError as e:

~/.conda/envs/tf1.15/lib/python3.7/site-packages/tensorflow_core/python/client/session.py in _run_fn(feed_dict, fetch_list, target_list, options, run_metadata)
   1349       return self._call_tf_sessionrun(options, feed_dict, fetch_list,
-> 1350                                       target_list, run_metadata)
   1351 

~/.conda/envs/tf1.15/lib/python3.7/site-packages/tensorflow_core/python/client/session.py in _call_tf_sessionrun(self, options, feed_dict, fetch_list, target_list, run_metadata)
   1442                                             fetch_list, target_list,
-> 1443                                             run_metadata)
   1444 

FailedPreconditionError: Attempting to use uninitialized value my_var_3
	 [[{{node my_var_3/read}}]]

During handling of the above exception, another exception occurred: