Tensorflow
-
tf.FIFOQueue
FIFOQueue類基於基類QueueBase.QueueBase主要包含入列(enqueue)和出列(dequeue)兩個操作.enqueue操作返回計算圖中的一個Operation節點,dequeue操作返回一個Tensor值.Tensor在創建時同樣只是一個定義,需要放在Session中運行才能獲得真正的數值.
引用來源#!/usr/bin/python # coding:utf-8 # 隊列與多線程 import tensorflow as tf # 創建一個先入先出的隊列,指定隊列最多可以保存3個元素,並指定類型爲整數 q = tf.FIFOQueue(3, 'int32') # 初始化隊列中的元素,將[0,10,20]3個元素排入此隊列 init = q.enqueue_many(([0, 10, 20], )) # 將隊列中的第1個元素出隊列,並存入變量x中 x = q.dequeue() # 將得到的值加1 y = x + 1 # 將加1後的值重新加入隊列 q_inc = q.enqueue([y]) with tf.Session() as sess: # 隊列初始化 init.run() for _ in range(5): # 執行數據出隊列/出隊元素+1/重新加入隊列的過程 v, _ = sess.run([x, q_inc]) print v
-
tf.RunOptions
TensorBoard 默認是不會記錄每個節點的用時、耗費的內存大小等這些信息的,那麼如何才能在圖上顯示這些信息呢?關鍵就是如下這些代碼,主要就是在 sess.run() 中加入 options 和 run_metadata 參數。
更多引用#定義TensorFlow運行選項,設置trace_lever FULL_TRACE run_options = tf.RunOptions(trace_level=tf.RunOptions.FULL_TRACE) #定義TensorFlow運行元信息,記錄訓練運算時間和內存佔用等信息 run_metadata = tf.RunMetadata() summary, _ = sess.run([merged, train_step],feed_dict=feed_dict(True),options=run_options,run_metadata=run_metadata) train_writer.add_run_metadata(run_metadata, 'step%03d' % i) train_writer.add_summary(summary, i)
-
tf.train.Coordinator()
# 使用 coord.should_stop()來查詢是否應該終止所有線程,當文件隊列(queue)中的所有文件都已經讀取出列的時候,會拋出一個 OutofRangeError 的異常,這時候就應該停止Sesson中的所有線程了; def enqueue(sess, coord): with coord.stop_on_exception(): while not coord.should_stop(): sess.run(enqueue_op) # enqueue_op = q.enqueue([vars]) # q ~ tf.FIFOQueue() coord = tf.train.Coordinator() enq_threads = [] for _ in range(thread_number): eqth = threading.Thread(target=enqueue, args=[sess, coord]) eqth.start() enq_threads.append(eth) try: # some training except Exception, e: # 使用coord.request_stop()來發出終止所有線程的命令 coord.request_stop(e) finally: # 使用coord.request_stop()來發出終止所有線程的命令,使用coord.join(threads)把線程加入主線程,等待threads結束。 coord.request_stop() sess.run(q.close(cancel_pending_enqueues=True)) coord.join(enq_threads)
-
tf.control_dependencies()
def _add_train_graph(self): """Define the training operation.""" mc = self.mc self.global_step = tf.Variable(0, name='global_step', trainable=False) lr = tf.train.exponential_decay(mc.LEARNING_RATE, self.global_step, mc.DECAY_STEPS, mc.LR_DECAY_FACTOR, staircase=True) tf.summary.scalar('learning_rate', lr) opt = tf.train.MomentumOptimizer(learning_rate=lr, momentum=mc.MOMENTUM) grads_vars = opt.compute_gradients(self.loss, tf.trainable_variables()) with tf.variable_scope('clip_gradient') as scope: for i, (grad, var) in enumerate(grads_vars): grads_vars[i] = (tf.clip_by_norm(grad, mc.MAX_GRAD_NORM), var) apply_gradient_op = opt.apply_gradients(grads_vars, global_step=self.global_step) with tf.control_dependencies([apply_gradient_op]): self.train_op = tf.no_op(name='train')
如上:
-
tf.train.exponential_decay
在Tensorflow中,通過tf.train.exponential_decay函數實現指數衰減學習率。decayed_learning_rate = \ learining_rate * decay_rate ^ \ (global_step / decay_steps) 1. decayed_learning_rate爲每一輪優化時使用的學習率; 2. learning_rate爲事先設定的初始學習率; 3. decay_rate爲衰減係數; 4. decay_steps爲衰減速度。
通常初始學習率,衰減係數,衰減速度的設定具有主觀性(即經驗設置),而損失函數下降的速度與迭代結束之後損失的大小沒有必然聯繫,
-
tf.trainable_variables返回的是需要訓練的變量列表,tf.all_variables返回的是所有變量的列表
import tensorflow as tf; import numpy as np; import matplotlib.pyplot as plt; v = tf.Variable(tf.constant(0.0, shape=[1], dtype=tf.float32), name='v') v1 = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='v1') global_step = tf.Variable(tf.constant(5, shape=[1], dtype=tf.float32), name='global_step', trainable=False) ema = tf.train.ExponentialMovingAverage(0.99, global_step) for ele1 in tf.trainable_variables(): print ele1.name for ele2 in tf.all_variables(): print ele2.name
輸出:
v:0
v1:0v:0
v1:0
global_step:0分析:
上面得到兩個變量,後面的一個得到上三個變量,因爲global_step在聲明的時候說明不是訓練變量,用來關鍵字trainable=False。
-
tf.clip_by_norm
梯度裁剪的最直接目的就是防止梯度爆炸,手段就是控制梯度的最大範式。 -
tf.control_dependencies
在執行某些op,tensor之前,某些op,tensor得首先被運行。 -
tf.no_op
什麼都不做,僅做爲點位符使用控制邊界。
-
-
tf.device
使用多個GPU訓練模型, 引用鏈接
參考官方鏈接, cifar10_multi_gpu_train.py
備註知識點
- tensorflow 新版取消了tf.train.SummaryWriter(),換成使用tf.summary.FileWriter();
- tf裏面提供模型保存的是**tf.train.Saver()**模塊;
- 訓練過程中,主要用到了**tf.summary()**的各類方法,能夠保存訓練過程以及參數分佈圖並在tensorboard顯示;
- tf.Variable設定trainable=False 可以防止該變量被數據流圖的 GraphKeys.TRAINABLE_VARIABLES 收集,
這樣我們就不會在訓練的時候嘗試更新它的值。