49. TensorFlow 基础概念语法#
49.1. 介绍#
本次实验开始，我们将正式进入到深度学习的内容。深度学习的关键，其实在于深度神经网络的构建，而如果你从 0 开始自己编程构建一个深度神经网络，那么过程将会是十分复杂的。所以，为了更方便地实现深度学习模型，我们需要掌握一些常见的深度学习框架的使用。目前在整个深度学习社区里，比较流行的框架有 TensorFlow 和 PyTorch ，他们都有各自独特的特点。其中，TensorFlow 因为背靠谷歌 Google 这座大山，再加上庞大的开发者群体，更新和发版速度着实非常快。了解并掌握 TensorFlow 的使用，将使你在搭建深度学习模型时更加得心应手。
49.2. 知识点#
TensorFlow 介绍
张量的概念
Eager Execution 特性
TensorFlow API 概览
49.3. TensorFlow 介绍#
TensorFlow 是由谷歌在 2015 年 11 月发布的深度学习开源工具，我们可以用它来快速构建深度神经网络，并训练深度学习模型。运用 TensorFlow 及其他开源框架的主要目的，就是为我们提供一个更利于搭建深度学习网络的模块工具箱，使开发时能够简化代码，最终呈现出的模型更加简洁易懂。根据官方的介绍，TensorFlow 主要有以下特点：
-
高度灵活性：采用数据流图结构，只要计算可以表示为一个数据流图，就可以使用 TensorFlow。
-
可移植性：在 CPU，GPU，服务器，移动端，云端，Docker 容器上都可以运行。
-
自动求微分：在 TensorFlow 中，梯度的运算都将基于你输入的模型结构和目标函数自动完成。
-
多语言支持：提供 Python，C++，Java，Go 接口。
-
优化计算资源：TensorFlow 允许用户将数据流图上的不同计算元素分配到不同设备，最大化利用硬件资源来进行深度学习运算。
2019 年，TensorFlow 推出了 2.0 版本，也意味着 TensorFlow 从 1.x 正式过度到 2.x 时代。根据 TensorFlow 官方 更新说明，2.0 版本将专注于简洁性和易用性的改善，主要升级方向包括：
使用 Keras 和 Eager Execution 轻松构建模型。
在任意平台上实现稳健的生产环境模型部署。
为研究提供强大的实验工具。
通过清理废弃的 API 和减少重复来简化 API。
看完这些特点，总结来讲就是 TensorFlow 很好、很强大。与此同时，TensorFlow 还在日益发展。所以，如果我们使用 TensorFlow 作为生产平台和科研基础研发，已经非常坚实可靠。接下来，我们将从 TensorFlow 基础概念语法入手，一步一步学习 TensorFlow 的使用。
49.4. 张量#
TensorFlow 中的 Tensor 即为张量，如果你第一次听说，一定会感觉到它是一个很厉害的东西吧。它的确很厉害，但是不难理解。张量的概念贯穿于物理学和数学中，如果你去看它的很多理论描述，可能并不那么浅显易懂。例如，下面有两种关于 张量的定义：
-
通常定义张量的物理学或传统数学方法，是把张量看成一个多维数组，当变换坐标或变换基底时，其分量会按照一定规则进行变换，这些规则有两种：即协变或逆变转换。
-
通常现代数学中的方法，是把张量定义成某个矢量空间或其对偶空间上的多重线性映射，这矢量空间在需要引入基底之前不固定任何坐标系统。例如协变矢量，可以描述为 1-形式，或者作为逆变矢量的对偶空间的元素。
上面的定义不知道你看懂了没有？估计会有点困难。下面，我们进行通俗易懂的说明：
首先，你应该知道什么是向量和矩阵。先前的介绍中，我们把 \(1\) 维的数组称之为向量，\(2\) 维的数组称之为矩阵。那么，现在告诉你张量其实代表着更大的范围，你也可以把其看作是 \(N\) 维数组。
所以，如果现在重新描述向量和矩阵，就可以是：一阶张量为向量，二阶张量为矩阵。当然，零阶张量也就是标量，而更重要的是 \(N\) 阶张量，也就是 \(N\) 维数组。
阶 |
数学实例 |
|---|---|
0 |
标量（只有大小） |
1 |
矢量（大小和方向） |
2 |
矩阵（数据表） |
3 |
3 阶张量（数据立体） |
N |
N 阶张量（自行想象） |
所以，张量并不是什么晦涩难懂的概念。如果不严谨的讲，张量就是 \(N\) 维数组。前面提到的向量、矩阵，也是张量。你即将学习到的大多数深度学习框架都会使用张量的概念，这样做的好处是统一对数据的定义。NumPy 中，数据都使用 Ndarray 多维数组进行定义，TensorFlow 中，数据都会用张量进行表述。
49.4.1. 张量类型#
在 TensorFlow 中，每一个张量都具备 3 个基础属性：数据，数据类型和形状。而根据不同的用途，张量本身又分为 2 种类型，分别是：
-
tf.Variable：变量 Tensor，需要指定初始值，常用于定义可变参数，例如神经网络的权重。 -
tf.constant：常量 Tensor，需要指定初始值，定义不变化的张量。
我们可以通过传入数组来新建变量和常量类型的张量：
import tensorflow as tf
v = tf.Variable([[1, 2], [3, 4]]) # 形状为 (2, 2) 的二维变量
v
<tf.Variable 'Variable:0' shape=(2, 2) dtype=int32, numpy=
array([[1, 2],
[3, 4]], dtype=int32)>
c = tf.constant([[1, 2], [3, 4]]) # 形状为 (2, 2) 的二维常量
c
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 2],
[3, 4]], dtype=int32)>
仔细观察，你会发现输出包含了张量的 3 部分属性，分别是形状
shape，数据类型
dtype，以及对应的 NumPy 数组。
我们可以直接通过
.numpy()
输出张量的 NumPy 数组。
c.numpy()
array([[1, 2],
[3, 4]], dtype=int32)
49.4.2. 常用张量#
上面我们已经介绍了常量张量，这里再列举几个经常会用到的新建常用的常量张量方法：
-
tf.zeros：新建指定形状且全为 0 的常量 Tensor -
tf.zeros_like：参考某种形状，新建全为 0 的常量 Tensor -
tf.ones：新建指定形状且全为 1 的常量 Tensor -
tf.ones_like：参考某种形状，新建全为 1 的常量 Tensor -
tf.fill：新建一个指定形状且全为某个标量值的常量 Tensor
tf.zeros([3, 3]) # 3x3 全为 0 的常量 Tensor
<tf.Tensor: shape=(3, 3), dtype=float32, numpy=
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]], dtype=float32)>
tf.ones_like(c) # 与 c 形状一致全为 1 的常量 Tensor
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[1, 1],
[1, 1]], dtype=int32)>
tf.fill([2, 3], 6) # 2x3 全为 6 的常量 Tensor
<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[6, 6, 6],
[6, 6, 6]], dtype=int32)>
除此之外，我们还可以创建一些序列，例如：
-
tf.linspace：创建一个等间隔序列。 -
tf.range：创建一个数字序列。
tf.linspace(1.0, 10.0, 5) # 从 1 到 10，共 5 个等间隔数
<tf.Tensor: shape=(5,), dtype=float32, numpy=array([ 1. , 3.25, 5.5 , 7.75, 10. ], dtype=float32)>
tf.range(start=1, limit=10, delta=2) # 从 1 到 10 间隔为 2
<tf.Tensor: shape=(5,), dtype=int32, numpy=array([1, 3, 5, 7, 9], dtype=int32)>
如果你熟悉 NumPy 的话，你会发现这与 NumPy 中创建各式各样的多维数组方法大同小异。了解完张量，我们就可以继续学习 TensorFlow 中的张量运算机制了。
Note
一次性记忆 TensorFlow 中的各种张量方法是不可能的，是能根据后续的使用不断熟悉。很多时候，我们会先有需求，比如你需要生成等间隔数。此时，再去官方文档中搜索是否有相应现成函数可供使用。TensorFlow 提供的方法基本满足了常见的各种需求。
49.5. Eager Execution#
TensorFlow 2 带来的最大改变之一是将 1.x 的 Graph Execution（图与会话机制）更改为 Eager Execution（动态图机制）。在 1.x 版本中，低级别 TensorFlow API 首先需要定义数据流图，然后再创建 TensorFlow 会话，这一点在 2.0 中被完全舍弃。TensorFlow 2 中的 Eager Execution 是一种命令式编程环境，可立即评估操作，无需构建图。
所以说，TensorFlow 的张量运算过程可以像 NumPy 一样直观且自然了。接下来，我们以最简单的加法运算为例：
c + c # 加法计算
<tf.Tensor: shape=(2, 2), dtype=int32, numpy=
array([[2, 4],
[6, 8]], dtype=int32)>
如果你接触过 1.x 版本的 TensorFlow，你要知道一个加法运算过程十分复杂。我们需要初始化全局变量 → 建立会话 → 执行计算，最终才能打印出张量的运算结果。
# 上述加法运算的 TensorFlow 1.x 实现代码
init_op = tf.global_variables_initializer() # 初始化全局变量
with tf.Session() as sess: # 启动会话
sess.run(init_op)
print(sess.run(c + c)) # 执行计算
Eager Execution 带来的好处显而易见，其进一步降低了 TensorFlow 的入门门槛。之前的 Graph Execution 模式，实际上让很多新手在入门时都很郁闷，因为完全不符合正常思维习惯。
TensorFlow 中提供的数学计算，包括线性代数计算方面的方法也是应有尽有，十分丰富。下面，我们列举一个示例。
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3])
b = tf.constant([7.0, 8.0, 9.0, 10.0, 11.0, 12.0], shape=[3, 2])
c = tf.linalg.matmul(a, b) # 矩阵乘法
c
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[ 58., 64.],
[139., 154.]], dtype=float32)>
tf.linalg.matrix_transpose(c) # 转置矩阵
<tf.Tensor: shape=(2, 2), dtype=float32, numpy=
array([[ 58., 139.],
[ 64., 154.]], dtype=float32)>
你应该能够感觉到，这些常用 API 都能在 NumPy 中找到对应的方法，这也就是课程需要你预先熟悉 NumPy 的原因。由于 TensorFlow 和 NumPy 的紧密结合，就算 TensorFlow 中没有提供 NumPy 中现有的计算函数，你都可以先使用 NumPy 完成计算后再转换为 TensorFlow 张量表示。由于函数实在太多。一般来讲，除了自己经常使用到的，都会在需要某种运算的时候，查阅官方文档。
49.6. 自动微分#
在数学中，微分是对函数的局部变化率的一种线性描述。虽然微分和导数是两个不同的概念。但是，对一元函数来说，可微与可导是完全等价的。前面，我们已经熟悉了神经网络的搭建过程，你应该明白梯度的重要性。而对于复杂函数的微分过程是及其麻烦的，为了提高应用效率，大部分深度学习框架都有自动微分机制。
接下来，我们演示了一个自动微分过程，假设一个数学求导过程如下：
所以，当 \(w\) 等于 1 时，计算结果为 2。
TensorFlow 中，你可以使用
tf.GradientTape
跟踪全部运算过程，以便在必要的时候计算梯度。
w = tf.Variable([1.0]) # 新建张量
with tf.GradientTape() as tape: # 追踪梯度
loss = w * w # 计算过程
tape.gradient(loss, w) # 计算梯度
<tf.Tensor: shape=(1,), dtype=float32, numpy=array([2.], dtype=float32)>
tf.GradientTape
会像磁带一样记录下计算图中的梯度信息，然后使用
.gradient
即可回溯计算出任意梯度，这对于使用 TensorFlow 低阶 API
构建神经网络时更新参数非常重要。
49.7. 常用模块#
上面，我们已经学习了 TensorFlow 核心知识，接下来将对 TensorFlow API 中的常用模块进行简单的功能介绍。对于框架的使用，实际上就是灵活运用各种封装好的类和函数。由于 TensorFlow API 数量太多，迭代太快，所以大家要养成随时 查阅官方文档 的习惯。
-
tf.：包含了张量定义，变换等常用函数和类。 -
tf.data：输入数据处理模块，提供了像tf.data.Dataset等类用于封装输入数据，指定批量大小等。 -
tf.image：图像处理模块，提供了像图像裁剪，变换，编码，解码等类。 -
tf.keras：原 Keras 框架高阶 API。包含原tf.layers中高阶神经网络层。 -
tf.linalg：线性代数模块，提供了大量线性代数计算方法和类。 -
tf.losses：损失函数模块，用于方便神经网络定义损失函数。 -
tf.math：数学计算模块，提供了大量数学计算函数。 -
tf.saved_model：模型保存模块，可用于模型的保存和恢复。 -
tf.train：提供用于训练的组件，例如优化器，学习率衰减策略等。 -
tf.nn：提供用于构建神经网络的底层函数，以帮助实现深度神经网络各类功能层。 -
tf.estimator：高阶 API，提供了预创建的 Estimator 或自定义组件。
在构建深度神经网络时，TensorFlow 可以说提供了你一切想要的组件，从不同形状的张量、激活函数、神经网络层，到优化器、数据集等，一应俱全。由于 TensorFlow 包含的接口太多，每个都拿出来练习变得不切实际。所以，后续我们会在使用到相应函数时再仔细介绍。
Note
学习时，可以通过上面的超链接快速浏览 TensorFlow 各主要模块下包含的方法。无需记忆，留下一个基础的印象即可，这对于你了解 TensorFlow 全貌很有帮助。
49.8. 总结#
TensorFlow 是一个非常强大的框架，许多人用了很长时间都不敢说能够学的很好。学习这种庞大而又复杂的框架，不要想一口吃个大胖子，而是一口一口慢慢吃才是正确思路。本节实验中，我们了解了 TensorFlow 的 Eager Execution 工作机制，学习了由张量及自动微分方法，同时梳理了 TensorFlow 中常用模块及功能。
相关链接
○ 欢迎分享本文链接到你的社交账号、博客、论坛等。更多的外链会增加搜索引擎对本站收录的权重，从而让更多人看到这些内容。