TF01-01:Tensorflow的执行方式

2018-10-15 本文已影响31人杨强AT南京

本主题内容：体验Tensorflow的两种执行方式：

Tensorflow的Eager（立即）运行方式

Tensorflow的Graphs（图）运行方式

Tensorflow提供两种数据处理方式
- Eager
  TensorFlow 的Eager执行是传统的编程方式，直接对实际的数据立即执行运算，操作会返回具体的值；
- Graphs
  TensorFlow 的Graphs执行是类似泛型模板编程方式，先对数据与计算过程进行模板描述，然后对具体的数据进行实例化执行，并获取结果的方式。
  Graphs的核心是构建图，图的主要元素是节点，Graphs中关键节点有两个：数据节点，运算节点。数据输入、处理、输出构成节点这几件的运算与数据流流^[1]，借用官方的一张示意图可以说明计算节点、数据节点与图：图表示的数据处理流

Tensorflow引入了一些符号来表示图，截图说明如下：
图的表述符号（有箭头的表示核心节点与节点关系）
准备
- 1. 安装Tensorflow
```
pip  install tensorflow   -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com
```
这是使用的是速度比较快的镜像站点，可以使用默认的官方站点。
- 1. 在python程序中import模块
```
import tensorflow as tf  
```
- 1. 例子的计算任务描述
    计算两个随机矩阵的内积（ $A_{4\times3}\cdot B_{3\times2}$ ）。

一、体验Eager执行方式

1、启动Eager执行模式

启动eager执行环境，并检测是否是eager执行环境，如果不是eager执行环境，则终止程序退出。

 import sys
 import numpy as np
 import tensorflow as tf
 
 #1.开启eager执行方式
 tf.enable_eager_execution()
 
 #2.判定当前是否是eager执行方式
 if tf.executing_eagerly():
     print("Eager执行方式")
 else:
     print("Graphs执行方式")
     sys.exit(-1)

2、Eager执行代码

在计算中使用了两个numpy数组（矩阵），运算调用的是tensorflow的内积计算函数matmul。

  #实现eager执行方式
  m1=np.random.uniform(0,1,(4,3))
  m2=np.random.uniform(0,1,(3,2))
  
  r=tf.matmul(m1,m2)
  
  print(r)

程序输出如下：
Eager执行模式下的输出结果
如果把eager模式代码注释掉，则运行结果如下：
Grahps执行方式下的输出结果

在Graphs执行方式下，该怎样才能得到结果？下面使用来说明。

二、体验Graphs执行方式

Graphs执行模式是别人设计好的，使用的时候需要按照设计来使用，用好Graphs就多看官方文档。
使用Graphs执行方式最大的好处，只要描述清楚数据与运算流程，细节都由API来执行（比如在Graphs模式下，感知器的训练中的激活函数与损失误差函数的导数都会交给API自动完成）。Eager传统模式，则需要关注所有细节（在Eager模式下，感知器的训练中，激活函数与误差损失函数都需要程序员处理）。

1.Graphs执行方式的模式

Graphs编程模式分成两步：
- （1）描述数据、运算以及运算流程。
- （2）构建运行会话环境，执行运算。

2.Graphs代码实现

描述数据，运算与运算流程
这里没有复杂的运算流程（通过函数的输入，输出形成数据与运算流程），可能不足以提现Graphs执行方式的强大。

  #1.描述图：数据节点，运行节点
  #数据节点
  m1=np.random.uniform(0,1,(4,3))
  #数据节点
  m2=np.random.uniform(0,1,(3,2))
  #运算节点（r也算数据节点，通过matmul建立与m1、m2的数据与运算流 ）
  r=tf.matmul(m1,m2)

构建会话环境，执行运算

  #2.构建会话执行环境，并执行图。
  #构建会话对象
  session=tf.Session()
  #使用会话初始化变量环境
  init_op= tf.global_variables_initializer()  #构建一个初始化器
  session.run(init_op)                        #执行初始化器，并完成全局变量初始化

  #执行运算
  re=session.run(r)                           #返回结果
  print(re)

完整代码

  #coding=utf-8
  import numpy as np
  import tensorflow as tf

  #1.描述图：数据节点，运行节点
  #数据节点
  m1=np.random.uniform(0,1,(4,3))
  #数据节点
  m2=np.random.uniform(0,1,(3,2))
  #运算节点（r也算数据节点，通过matmul建立与m1、m2的数据与运算流 ）
  r=tf.matmul(m1,m2)


  #2.构建会话执行环境，并执行图。
  #构建会话对象
  session=tf.Session()
  #使用会话初始化变量环境
  init_op= tf.global_variables_initializer()  #构建一个初始化器
  session.run(init_op)                        #执行初始化器，并完成全局变量初始化

  #执行运算
  re=session.run(r)                           #返回结果
  print(re)

执行结果

Graphs执行方式下执行结果