Tensorflow详解（一）

最新推荐文章于 2025-04-28 00:15:01 发布

原创最新推荐文章于 2025-04-28 00:15:01 发布 · 414 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#图 #集合 #张量 #tf.add_to_collection # tf.get_collection

tensorflow 专栏收录该内容

31 篇文章

订阅专栏

本文深入解析TensorFlow计算图的基本概念，包括节点、边和张量的角色与功能，以及如何创建和管理多个计算图。同时，介绍了计算图中的集合管理机制，如变量、训练变量、日志变量等，并演示了如何将个体加入集合及获取集合内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

初识计算图

计算图——tensorflow程序的计算过程可以表示为一个计算图

节点（Node)——计算图中的每一个运算操作，可以有任意个输入和输出

边（Edge）——两个节点直接的数据流动，或起依赖控制的作用

张量（Tensor）——边中流动（Flow）的数据

图的创建

1.系统自动维护一个默认的计算图

2.tf.Graph()创建一个计算图（如果需要多个图来完成工作时）

不同计算图上的张量和节点（运算）都不会共享，也就是说，我们不能在某一计算图上调用其他计算图的成员

import tensorflow as tf

# 使用Graph()函数创建一个计算图
g1 = tf.Graph()
with g1.as_default():  # 将定义的计算图使用as_default()函数设为默认

    # 创建计算图中的变量并设置初始值为
    a = tf.get_variable("a", [2], initializer=tf.ones_initializer())
    b = tf.get_variable("b", [2], initializer=tf.zeros_initializer())

# 使用Graph()函数创建另一个计算图
g2 = tf.Graph()
with g2.as_default():
    a = tf.get_variable("a", [2], initializer=tf.zeros_initializer())
    b = tf.get_variable("b", [2], initializer=tf.ones_initializer())

with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("a")))
        print(sess.run(tf.get_variable("b")))
        # 打印[1. 1.]
        #    [0. 0.]

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("a")))
        print(sess.run(tf.get_variable("b")))
        # 打印[0. 0.]
        #    [1. 1.]

3.集合（collection）

对于每一个计算图，Tensorflow通过5个默认集合管理其中不同类型的个体（所谓个体可以是张量，变量或队列等）

TensorFlow维护的默认集合以及内容
tf.GraphKeys.VARIABLE	所有变量
tf.GraphKeys.TRAINABLE_VARIABLES	可学习（训练）的变量（一般为神经网络中的参数）
tf.GraphKeys.SUMMARIES	日志生成相关的变量
tf.GraphKeys.QUEUE_RUNNERS	处理输入的QUEUE_RUNNERS
tf.GraphKeys.MOVING_AVERAGE_VARIABLES	所有计算了滑动平均值的变量

3.1 将个体加入一个或多个集合中；自定义一个name集合

tf.add_to_collection(name, value)

3.2 获取一个集合中的所有个体

tf.get_collection(key, scope=None)

key:用来获取一个名称是‘key’的集合中的所有元素，返回的是一个列表，列表的顺序是按照变量放入集合中的先后;

scope:参数可选，表示的是名称空间（名称域），如果指定，就返回名称域中所有放入‘key’的变量的列表，不指定则返回所有变量

3.3列表内容相加

tf.add_n（）

import tensorflow as tf
import numpy as np

with tf.variable_scope('one'):
    v1 = tf.get_variable(name='v1', shape=[1], initializer=tf.constant_initializer(0))
    tf.add_to_collection('loss', v1)
with tf.variable_scope('two'):
    v2 = tf.get_variable(name='v2', shape=[1], initializer=tf.constant_initializer(2))
    tf.add_to_collection('loss', v2)
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    #获取集合loss中所有对象
    print (tf.get_collection('loss'))
    # 获取集合loss中属于one变量空间的对象
    print(tf.get_collection('loss',scope='one'))
    print(sess.run(tf.add_n(tf.get_collection('loss'))))

输出结果

[<tf.Variable 'one/v1:0' shape=(1,) dtype=float32_ref>, <tf.Variable 'two/v2:0' shape=(1,) dtype=float32_ref>]
[<tf.Variable 'one/v1:0' shape=(1,) dtype=float32_ref>]
[2.]