- 深度學習概念(連結)
- CNN及眾多應用(連結)
- RNN及眾多應用(連結)
- TensorFlow安裝(連結)
- TensorFlow語法與使用(連結)
- Porting AI ( QCS605 QCS603 Android )(連結)
基本語法
初始化
init = tf.global_variables_initializer()
sess = tf.Session()
sess.run(init)
執行訓練
sess.run(tf.train.GradientDescentOptimizer(learning_rate = 0.5)
.minimize(tf.reduce_mean(tf.square(y - y_data))))
y_data是初始設定固定值，y是每次不同變數 可以由
tf.Variable(tf.random_uniform([1], -1.0, 1.0)) 變數會變動產生
取得運作資料
sess.run(W) 中間放入要取得的名稱
Graphs 建立運算元
繼續是引入layer也就是類神經網路的概念。
每一個層的單元類型如下
weights_l1 = tf.Variable(tf.random_normal([1, 10]))#10个神经元
biases_l1 = tf.Variable(tf.zeros([1, 10]))
wx_plust_b_l1 = tf.matmul(x, weights_l1) + biases_l1
l1 = tf.nn.sigmoid(wx_plust_b_l1)
程式化這範例，狀況如下
def add_layer(inputs, input_tensors, output_tensors, activation_function = None):
W = tf.Variable(tf.random_normal([input_tensors, output_tensors]))
b = tf.Variable(tf.zeros([1, output_tensors]))
formula = tf.add(tf.matmul(inputs, W), b)
if activation_function is None:
outputs = formula
else:
outputs = activation_function(formula)
return outputs
實際程式化，就如同下述
# 添加 1 個隱藏層 有十個節點，由一對應十
hidden_layer = add_layer(x_feeds, input_tensors = 1, output_tensors = 10, activation_function = None)
# 添加 1 個輸出層 有一個節點，由十對應一
output_layer = add_layer(hidden_layer, input_tensors = 10, output_tensors = 1, activation_function = None)
test5.py是test1.py的改編版本。只不過兩層的activation function都是null。
單純比較test1和test5會發現，兩者的梯度數字明顯不同，在同樣iterator下，正確率也不同。但已經可以驗證神經網路層是有用處的。
test3.py是莫凡test2.py的改編版本，兩者概念相似，只是第一層的activation function稍有不同 l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)。
矩陣運算概念
test27.py
變數
(1) 常數張量：
一開始來看看「常數張量」，常數指的是在Model中不會改變的數值。
tensor = tf.constant([1, 2, 3, 4, 5, 6, 7], dtype=tf.int32)
Random的使用方式 test4.py
(2) 變數張量：
與常數截然不同的就是變數，「變數張量」是指在訓練當中可以改變的值，一般「變數張量」會用作於Machine Learning需要被訓練的參數，如果你沒有特別設定，在最佳化的過程中，Tensorflow會自動調整「變數張量」的數值來最佳化。
tensor = tf.Variable(tf.truncated_normal(shape=(3, 5)))
因為變數通常是未知且待優化的參數，所以我們一般會使用Initalizer來設定它的初始值，tf.truncated_normal(shape=(3,5))會隨機產生大小3x5的矩陣，它的值呈常態分佈但只取兩個標準差以內的數值。
如果今天你想要有一個「變數張量」但是又不希望它因為最佳化而改變，這時你要特別指定trainable為False。
tensor = tf.Variable(5, trainable=False)
Variable 則是在訓練神經網路時，儲存可更新參數的容器。
(3) 置放張量：
另外有一些張量負責擔任輸入窗口的角色，稱為Placeholder。
tensor = tf.placeholder(tf.float32, shape=(None, 1000))
因為我們在訓練之前還尚未知道Data的數量，所以這裡使用None來表示未知。tf.placeholder在Graph階段是沒有數值的，必須等到Session階段才將數值給輸入進去。
x_feeds = tf.placeholder(tf.float32, shape = [None, 1])
sess.run(train, feed_dict = {x_feeds: x_data, y_feeds: y_data})
test29.py
placeholder 是 TensorFlow 中一個很有趣的用法，可以預先在神經網路中 佔位，而不用事先定義好輸入的資料，這也是 TensorFlow 中計算圖（Computing Graph）的概念，之後再使用 Session 將資料傳入計算圖中。
在 placeholder 中定義節點的形狀 shape=(None, 2)，None 的意思是二維矩陣的 row 事先尚未定義，也就是「不定義輸入資料的筆數」，隨著透過 Session 將資料傳入計算圖時，動態符合輸入資料的筆數。
往後在訓練神經網路時，可以透過設定超參數 batch_size 決定每次訓練資料的筆數，保持神經網路的彈性。
placeholder 用於在計算圖中傳入 feature 與 label
(4) 操作型張量：
這類張量並不含有實際數值，而是一種操作，常用的「操作型張量」有兩種，第一種是作為最佳化使用，
loss = ...
train_op = tf.train.GradientDescentOptimizer(learning_rate=0.5).minimize(loss)
選擇Optimizer和最佳化的方式來定義最佳化的操作方法，上述的例子是使用learning_rate為0.5的Gradient Descent來降低loss。
另外一種是初始化的操作，
init_op = tf.global_variables_initializer()
這一個步驟是必要的但常常被忽略，還記得剛剛我們定義「變數張量」時有用到Initalizer，這些Initalizer在Graph完成時還不具有數值，必須使用init_op來給予數值，所以記住一定要放init_op進去Graph裡頭，而且必須先定義完成所有會用到的Initalizer再來設定這個init_op。
命名
模組化的程式中使用 with tf.name_scope(): 為每個運算元命名（
連結）
TensorBoard
神經網絡運算初始之後，利用 tf.summary.FileWriter() 將視覺化檔案輸出。測試為test6.py。
產生的檔案位置在TensorBoard這個目錄中（自動生成的）
執行 $ tensorboard --logdir="TensorBoard/"
打開瀏覽器，在網址列輸入：http://localhost:6006，就可以在 Graphs 頁籤下看到神經網絡圖。
除了可以使用 with tf.name_scope(): 為每個運算元命名，我們還可以在使用 tf.Variable() 或者 tf.placeholder() 建立變數或輸入資料時，利用 name = 參數進行命名。test7.py
參考資料
我們利用 tf.summary.histogram() 與 tf.summary.scalar() 將訓練過程記錄起來，然後在 Scalars 與 Histograms 頁籤檢視。test8.py
 |
| Scalars |
 |
| Histograms |
資料儲存格式
TensorFlow 的模型格式有很多種，針對不同場景可以使用不同的格式，只要符合規範的模型都可以輕易部署到線上服務或移動裝置上，這裡簡單列舉。
* Checkpoint： 用於儲存模型的權重，主要用於模型訓練過程中引數的備份和模型訓練熱啟動。
* GraphDef：用於儲存模型的Graph，不包含模型權重，加上checkpoint後就有模型上線的全部資訊。
* ExportModel：使用 exportor 介面匯出的模型檔案，包含模型 Graph 和權重可直接用於上線，但官方已經標記為 deprecated 推薦使用 SavedModel。
* SavedModel：使用 saved_model 介面匯出的模型檔案，包含模型 Graph 和許可權可直接用於上線，TensorFlow 和 Keras 模型推薦使用這種模型格式。
* FrozenGraph：使用 freeze_graph.py 對 checkpoint 和 GraphDef 進行整合和優化，可以直接部署到 Android、iOS 等移動裝置上。
* TFLite：基於 flatbuf 對模型進行優化，可以直接部署到 Android、iOS 等移動裝置上，使用介面和 FrozenGraph 有些差異。
參考
PB
通常我們使用 TensorFlow時保存模型都使用 ckpt 格式的模型文件，使用類似的語句來保存模型
tf.train.Saver().save(sess,ckpt_file_path,...)
使用如下語句來恢復所有變量信息
saver.restore(sess,tf.train.latest_checkpoint('./ckpt'))
但是這種方式有幾個缺點，首先這種模型文件是依賴TensorFlow 的，只能在其框架下使用；其次，在恢復模型之前還需要再定義一遍網絡結構，然後才能把變量的值恢復到網絡中。
google推薦的保存模型的方式是保存模型為PB 文件，它具有語言獨立性，可獨立運行，封閉的序列化格式，任何語言都可以解析它，它允許其他語言和深度學習框架讀取、繼續訓練和遷移TensorFlow 的模型。它的主要使用場景是實現創建模型與使用模型的解耦， 使得前向推導 inference的代碼統一。另外的好處是保存為 PB 文件時候，模型的變量都會變成固定的，導致模型的大小會大大減小，適合在手機端運行。
根目錄執行test13.py，會執行train和test，並且在最後產生graph.pb檔案。並且用test14.py觀察graph.pb檔案(
用TensorBoard打開它)
步驟一，python test14.py --model_dir graph.pb --log_dir tensor/logs/convnet/
步驟二，tensorboard --logdir=tensor/logs/convnet/
步驟三，由瀏覽器開啟http://localhost:6006/。透過瀏覽器的互動觀察，可發現pb檔案中，不僅包含input到conv2d等等的處理過程，也包括teain時設定的各層和降階方式。所以測試程式難度比想像要單純，會寫訓練程式就一定能寫測試程式。
以pb為資料中心的範例test22 這裡直接把資料存graph.pb讀取動作
python train.py python test.py
這裡有三個項目要討論
1.pb格式， 都是binary形式，如果要產生成txt格式，可以用
tf.train.write_graph(graph, '.', 'graph.pbtxt', as_text=True)
讀取也能夠直接讀取txt但是要例外考慮一些技巧（
連結）
2.利用tf.train.write_graph()預設情況下只匯出了網路的定義（並沒有權重），上面test22是因為使用了convert_variables_to_constants，上面test13是因為各個變數都使用constant。如果沒有這兩種，就會變成只有一個空殼。
連結
資料正規化
已訓練完畢的資料集，動則數百M，資料傳送耗時，也無法放入IOT有限的記憶體中。所以第一步驟就是，以較小檔案容量，換取些微準確率。技術上來說，訓練時的確需要大量伺服器協助產生訓練資料。但在測試階段，卻可以藉由犧牲部份準確率，換取減少訓練資料一半以上，讓手持裝置也可以執行分析程式。
