2TensorFlow的框架

2.1TensorFlow輸入張量

TensorFlow的命名來源于本身的運行原理。Tensor（張量）意味著N維數(shù)組，F(xiàn)low（流）意味著基于數(shù)據(jù)流圖的計算。用MNIST機器學習［23］這個例子來解釋一個用于預測圖片里面的數(shù)字的模型。

首先要先獲得一個MNIST數(shù)據(jù)集，如圖3所示，這個數(shù)據(jù)集能夠在TensorFlow官網(wǎng)上進行下載。每一個MNIST數(shù)據(jù)單元由一張包含手寫數(shù)字的圖片和一個對應的標簽兩部分組成。把這些圖片設為“xs”，把這些標簽設為“ys”。MNIST數(shù)據(jù)集擁有60 000行的訓練數(shù)據(jù)集（mnist.train）和10 000行的測試數(shù)據(jù)集（mnist.test）。

每一張圖片包含28×28個像素點。可以用一個數(shù)字數(shù)組來表示這張圖片：把這個數(shù)組展開成一個向量，長度是784。在MNIST訓練數(shù)據(jù)集中，mnist.train.images（訓練數(shù)集中的圖片）是一個 ［60 000, 784］ 的張量，如圖4所示，第一個維度數(shù)字用來對應每張圖片，第二個維度數(shù)字用來索引每張圖片中的像素點。在此張量里的每一個元素，都表示為某張圖片里的某個像素的介于0和1之間的強度值。

相對應的標簽是從0到9的數(shù)字，用來描述給定圖片里表示的數(shù)字。每個數(shù)字對應著相應位置1，如標簽0表示為［1,0,0,0,0,0,0,0,0,0］，因此mnist.train.labels是一個 ［60 000, 10］ 的數(shù)字矩陣，如圖5所示。

如上述的這兩個數(shù)組都是二維數(shù)組，都是TensorFlow中的張量數(shù)據(jù)［4］，而這些數(shù)據(jù)就以流的形式進入數(shù)據(jù)運算的各個節(jié)點。而以機器算法為核心所構(gòu)造的模型就是數(shù)據(jù)流動的場所。TensorFlow就是一個是文件庫，研究人員和計算機科學家能夠借助這個文件庫打造分析圖像和語音等數(shù)據(jù)的系統(tǒng)，計算機在此類系統(tǒng)的幫助下，將能夠自行作出決定，從而變得更加智能。

2.2TensorFlow代碼框架

TensorFlow是一個非常靈活的框架，它能夠運行在個人計算機或者服務器的單個或多個CPU和GPU上，甚至是移動設備上。

可以從上面舉例的MNIST機器學習來分析TensorFlow的框架。首先，要構(gòu)建一個計算的過程。MNIST所用到的算法核心就是softmax回歸算法，這個算法就是通過對已知訓練數(shù)據(jù)同個標簽的像素加權(quán)平均，來構(gòu)建出每個標簽在不同像素點上的權(quán)值，若是這個像素點具有有利的證據(jù)說明這張圖片不屬于這類，那么相應的權(quán)值為負數(shù)，相反若是這個像素擁有有利的證據(jù)支持這張圖片屬于這個類，那么權(quán)值是正數(shù)。

因為輸入往往會帶有一些無關的干擾量，于是加入一個額外的偏置量（bias）。因此對于給定的輸入圖片x它代表的是數(shù)字i的證據(jù)，可以表示為：

evidencei=∑jWi,jxj+bi(1)

其中Wi,j表示權(quán)值的矩陣，xj為給定圖片的像素點，bi代表數(shù)字i類的偏置量。

在這里不給出詳細的推導過程，但是可以得到一個計算出一個圖片對應每個標簽的概率大小的計算方式，可以通過如下的代碼來得到一個概率分布：

y=softmax(Wx+b)(2)

建立好一個算法模型之后，算法內(nèi)輸入的所有可操作的交互單元就像式（2）中的圖片輸入x，為了適應所有的圖片輸入，將其設置為變量占位符placeholder。而像權(quán)重W和偏置值b這兩個通過學習不斷修改值的單元設置為變量Variable。

train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)

TensorFlow在這一步就是在后臺給描述計算的那張圖里面增添一系列新的計算操作單元用來實現(xiàn)反向傳播算法和梯度下降算法。它返回一個單一的操作，當運行這個操作時，可以用梯度下降算法來訓練模型，微調(diào)變量，不斷減少成本，從而建立好一個基本模型。

建立好模型之后，創(chuàng)建一個會話（Session），循環(huán)1 000次，每次批處理100個數(shù)據(jù)，開始數(shù)據(jù)訓練，代碼如下：

sess= tf.InteractiveSession()

for i in range(1000):

batch_xs,batch_ys=mnist.train.next_batch(100)

sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

TensorFlow通過數(shù)據(jù)輸入（Feeds）將張量數(shù)據(jù)輸入至模型中，而張量Tensor就像數(shù)據(jù)流一樣流過每個計算節(jié)點，微調(diào)變量，使得模型更加準確。

通過這個例子，可以管中窺豹了解TensorFlow的框架結(jié)構(gòu)，TensorFlow對于輸入的計算過程在后臺描述成計算圖，計算圖建立好之后，創(chuàng)建會話Session來提交計算圖，用Feed輸入訓練的張量數(shù)據(jù)，TensorFlow通過在后臺增加計算操作單元用于訓練模型，微調(diào)數(shù)據(jù)，從而完成一個機器的學習任務［5］。