編者按：2017年夏季，CMU CS碩士生Jacob Buckman入選Google AI居留計(jì)劃，在谷歌總部開啟了自己為期12月的培訓(xùn)生活，主攻NLP和強(qiáng)化學(xué)習(xí)。Jacob擁有豐富的編程經(jīng)驗(yàn)，而且在機(jī)器學(xué)習(xí)上也造詣?lì)H多。雖然從未接觸過Tensorflow，但他相信依靠自己的學(xué)識背景，掌握一個(gè)工具是很輕松的一件事。很可惜，現(xiàn)實(shí)打了他的臉……

簡介

自發(fā)布三年來，Tensorflow已經(jīng)成為深度學(xué)習(xí)生態(tài)系統(tǒng)的基石，然而相比PyTorch、DyNet這樣基于動態(tài)圖“define-by-run”的庫，它對初學(xué)者來說卻并不直觀。

從線性回歸、MNIST分類到機(jī)器翻譯，Tensorflow的教程無處不在，它們是幫助新手開啟項(xiàng)目的優(yōu)質(zhì)資源，也是新人接觸機(jī)器學(xué)習(xí)的敲門磚。但對于機(jī)器學(xué)習(xí)還未涉足的空白領(lǐng)域，如果開發(fā)者想做一些原創(chuàng)性的突破，Tensorflow可能會讓他們望而生畏。

本文的目的是填補(bǔ)這一領(lǐng)域的空白，文章內(nèi)容將緊緊圍繞一般方法，并解釋支撐Tensorflow的基本概念，而不是專注于某個(gè)特定任務(wù)。掌握這些概念后，開發(fā)者可以更直觀地用Tensorflow進(jìn)行深度學(xué)習(xí)研究。

注：本教程適合在編程和機(jī)器學(xué)習(xí)上有一定經(jīng)驗(yàn)，且必須要用到Tensorflow的開發(fā)者。

了解Tensorflow

Tensorflow不是一個(gè)普通的Python庫

大多數(shù)Python庫其實(shí)是Python的擴(kuò)展。當(dāng)你導(dǎo)入一個(gè)庫時(shí)，你得到的是一組變量、函數(shù)和類，它們實(shí)際上只是充當(dāng)代碼的“工具箱”，滿足開發(fā)者的現(xiàn)實(shí)需要。但Tensorflow不是。如果我們一開始就抱著如何和代碼交互的想法去研究Tensorflow，那就相當(dāng)于在本質(zhì)上走入歧途。

要說Python和Tensorflow之間的關(guān)系，我們可以把它簡單類比成Javascript和HTML。Javascript是一種用途廣泛的編程語言，我們可以用它實(shí)現(xiàn)很多東西。而HTML是一個(gè)框架，可以表示一些抽象計(jì)算（比如描述網(wǎng)頁上呈現(xiàn)的內(nèi)容）。當(dāng)用戶打開一個(gè)網(wǎng)頁時(shí)，Javascript的作用是使他看到HTML對象，并且在網(wǎng)頁迭代時(shí)用新的HTML對象代替舊的對象。

和HTML類似，Tensorflow也是一個(gè)用于表示抽象計(jì)算的框架。當(dāng)我們用Python操作Tensorflow時(shí)，代碼做的第一件事是組裝計(jì)算圖，第二件事是和計(jì)算圖進(jìn)行交互（Tensorflow里的會話sessions）。但計(jì)算圖不在變量內(nèi)部，而在全局名稱空間中。正如莎士比亞當(dāng)年說過：所有RAM都是一個(gè)階段，所有變量都只是指針。（莎士比亞一臉懵逼）

第一個(gè)關(guān)鍵概念：計(jì)算圖

在瀏覽Tensorflow文檔時(shí)，你會發(fā)現(xiàn)其中有大量關(guān)于“graphs”和“nodes”的描述。如果足夠細(xì)心，也許你也已經(jīng)在圖和會話這個(gè)頁面找到了所有關(guān)于數(shù)據(jù)流圖的詳細(xì)介紹。這個(gè)頁面的內(nèi)容是我們下文要重點(diǎn)解釋的，不同的是，官方文檔的表述充滿“技術(shù)感”，而我們會犧牲一些技術(shù)細(xì)節(jié)，重點(diǎn)捕捉其中的直覺。

那么什么是計(jì)算圖？事實(shí)上，計(jì)算圖表示的是全局?jǐn)?shù)據(jù)結(jié)構(gòu)：它一個(gè)有向圖，包含數(shù)據(jù)計(jì)算流程的所有信息。

我們先來看一個(gè)示例：

import tensorflow as tf

計(jì)算圖：

導(dǎo)入Tensorflow后，我們得到了一個(gè)空白的計(jì)算圖，表示一個(gè)孤立的、空白的全局變量。在這個(gè)基礎(chǔ)上，我們再進(jìn)行一些“Tensorflow操作”：

代碼：

import tensorflow as tf

two_node = tf.constant(2)

print two_node

輸出：

Tensor("Const:0", shape=(), dtype=int32)

計(jì)算圖：

這里我們得到了一個(gè)節(jié)點(diǎn)（node），它包含常數(shù)2，這個(gè)2是函數(shù)tf.constant帶來的。當(dāng)我們print變量時(shí)，可以看到它返回了一個(gè)tf.Tensor對象，它是我們剛創(chuàng)建的節(jié)點(diǎn)的指針。為了驗(yàn)證這一點(diǎn)，這里是另一個(gè)例子：

代碼：

import tensorflow as tf

two_node = tf.constant(2)

another_two_node = tf.constant(2)

two_node = tf.constant(2)

tf.constant(3)

計(jì)算圖：

即便前后函數(shù)功能一致，即便這些函數(shù)只是簡單地給同一個(gè)對象重復(fù)賦值，甚至即便它們根本沒有被分配給變量，對于每次調(diào)用函數(shù)tf.constant，計(jì)算圖中都會創(chuàng)建一個(gè)新節(jié)點(diǎn)。

相反地，如果我們創(chuàng)建了一個(gè)新變量，并把它賦值一個(gè)存在的節(jié)點(diǎn)，這就相當(dāng)于把指針復(fù)制到該節(jié)點(diǎn)，這時(shí)計(jì)算圖上是不會出現(xiàn)新節(jié)點(diǎn)的：

代碼：

import tensorflow as tf

two_node = tf.constant(2)

another_pointer_at_two_node = two_node

two_node = None

print two_node

print another_pointer_at_two_node

輸出：

None

Tensor("Const:0", shape=(), dtype=int32)

計(jì)算圖：

接下來，我們嘗試一些有趣的東西：

代碼：

import tensorflow as tf

two_node = tf.constant(2)

three_node = tf.constant(3)

sum_node = two_node + three_node ## 相當(dāng)于 tf.add(two_node, three_node)

計(jì)算圖：

上圖已經(jīng)是一幅真正意義上的計(jì)算圖了。需要注意的是，TensorFlow對常見數(shù)學(xué)運(yùn)算符進(jìn)行了重載，比如上面的tf.add。雖然它表面上沒有新增節(jié)點(diǎn)，但它確實(shí)把兩個(gè)張量一起添加進(jìn)了一個(gè)新節(jié)點(diǎn)。

所以two_node指向包含2的節(jié)點(diǎn)，three_node指向包含3的節(jié)點(diǎn)，sum_node指向包含+的節(jié)點(diǎn)——是不是覺得有些不尋常，為什么sum_node里會是+，而不是5呢？

事實(shí)上，計(jì)算圖只包含步驟，不包含結(jié)果！至少……現(xiàn)在還不包含！

第二個(gè)關(guān)鍵概念：會話

如果說TensorFlow中存在bug重災(zāi)區(qū)，那會話（session）一定排名首位。由于缺乏明確的命名，再加上函數(shù)的通用性，幾乎每個(gè)Tensorflow程序都要調(diào)用不止一次tf.Session()。

會話的作用是管理程序運(yùn)行時(shí)的所有資源，如內(nèi)存分配和優(yōu)化，以便我們能按照計(jì)算圖的指示進(jìn)行實(shí)際計(jì)算。你可以把計(jì)算圖想象成計(jì)算“模板”，上面列出了所有詳細(xì)步驟。所以每次在啟動計(jì)算圖前，我們都要先進(jìn)行一個(gè)會話，分配資源，完成任務(wù)；在計(jì)算結(jié)束后，我們又得關(guān)閉會話來幫助系統(tǒng)回收資源，防止資源泄露。

會話包含一個(gè)指向全局的指針，這個(gè)指針會基于計(jì)算圖中所有指向節(jié)點(diǎn)的指針不斷更新。這意味著會話和節(jié)點(diǎn)的創(chuàng)建不存在時(shí)間先后問題。

創(chuàng)建會話對象后，我們可以用sess.run(node)返回節(jié)點(diǎn)的值，并且Tensorflow會執(zhí)行確定該值所需的所有計(jì)算。

代碼：

import tensorflow as tf

two_node = tf.constant(2)

three_node = tf.constant(3)

sum_node = two_node + three_node

sess = tf.Session()

print sess.run(sum_node)

輸出：

5

計(jì)算圖：

我們也可以寫成sess.run([node1, node2,...])，讓它返回多個(gè)輸出：

代碼：

import tensorflow as tf

two_node = tf.constant(2)

three_node = tf.constant(3)

sum_node = two_node + three_node

sess = tf.Session()

print sess.run([two_node, sum_node])

輸出：

[2, 5]

計(jì)算圖：

一般來說，sess.run()是TensorFlow的最大瓶頸，你用的越少，程序就越好。只要有可能，我們應(yīng)該讓它一次性輸出多個(gè)結(jié)果，而不是頻繁使用，千萬不要把它放進(jìn)復(fù)雜循環(huán)。

占位符和feed_dict

到目前為止，我們做的計(jì)算沒有輸入，所以一直得到相同的輸出。下面我們會進(jìn)行更有意義的探索，比如構(gòu)建一個(gè)能接受輸入的計(jì)算圖，讓它經(jīng)過某種方式的處理，最后返回一個(gè)輸出。

要做到這一點(diǎn)，最直接的方法是使用占位符（Placeholders），這是一種用于接受外部輸入的節(jié)點(diǎn)。

代碼：

import tensorflow as tf

input_placeholder = tf.placeholder(tf.int32)

sess = tf.Session()

print sess.run(input_placeholder)

輸出：

Traceback (most recent call last):

...

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder'with dtype int32

[[Node: Placeholder = Placeholder[dtype=DT_INT32, shape=, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

計(jì)算圖：

...不是個(gè)好兆頭。這是一個(gè)典型的失敗案例，因?yàn)檎嘉环旧頉]有初始值，再加上我們沒有對它賦值，Tensorflow出現(xiàn)了個(gè)bug。

在會話sess.run()中，占位符可以用feed_dict饋送數(shù)據(jù)。

代碼：

import tensorflow as tf

input_placeholder = tf.placeholder(tf.int32)

sess = tf.Session()

print sess.run(input_placeholder, feed_dict={input_placeholder: 2})

輸出：

2

計(jì)算圖：

注意feed_dict的格式，它是一個(gè)字典，對于計(jì)算圖中所有存在的占位符，它都要給出相應(yīng)的取值（如前所述，它其實(shí)是指向圖中占位符節(jié)點(diǎn)的指針），這些值一般是標(biāo)量或Numpy數(shù)組。

第三個(gè)關(guān)鍵概念：計(jì)算路徑

讓我們試試另一個(gè)涉及占位符的例子：

代碼：

import tensorflow as tf

input_placeholder = tf.placeholder(tf.int32)

three_node = tf.constant(3)

sum_node = input_placeholder + three_node

sess = tf.Session()

print sess.run(three_node)

print sess.run(sum_node)

輸出：

3

Traceback (most recent call last):

...

InvalidArgumentError (see above for traceback): You must feed a value for placeholder tensor 'Placeholder_2'with dtype int32

[[Node: Placeholder_2 = Placeholder[dtype=DT_INT32, shape=, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]

計(jì)算圖：

我們又在輸出中看到了失敗標(biāo)志...，那么為什么第二個(gè)sess.run這次出現(xiàn)bug了呢？為什么我們沒有評估input_placeholder，最后卻引發(fā)了一個(gè)關(guān)于它的錯(cuò)誤？這兩個(gè)問題的答案就在于Tensorflow的第三個(gè)關(guān)鍵概念：計(jì)算路徑。好在這塊內(nèi)容總體比較直觀。

當(dāng)我們調(diào)用sess.run()時(shí)，我們計(jì)算的不只是當(dāng)前節(jié)點(diǎn)，還有一些和它相關(guān)的節(jié)點(diǎn)的值。如果這個(gè)節(jié)點(diǎn)依賴于其他節(jié)點(diǎn)，那我們就要一步步上溯計(jì)算，直到達(dá)到計(jì)算圖的“頂端”，也就是不再有其他節(jié)點(diǎn)會對目標(biāo)節(jié)點(diǎn)施加影響。

下圖是sum_node節(jié)點(diǎn)的計(jì)算路徑：

為了計(jì)算sum_node，我們要評估所有三個(gè)節(jié)點(diǎn)的值，其中包括我們沒有賦值的占位符，這解釋了出現(xiàn)錯(cuò)誤的原因。

相反地，three_node的計(jì)算路徑比較單一：

只要評估一個(gè)節(jié)點(diǎn)就夠了，所以即便input_placeholder沒有賦值，它也不會對sess.run(three_node)造成影響。

Tensorflow的框架優(yōu)勢離不開計(jì)算路徑設(shè)計(jì)。想象一下，如果我們手里有一幅巨型計(jì)算圖，其中包含大量不必要的節(jié)點(diǎn)，通過這樣的計(jì)算方式，我們可以繞過大多數(shù)點(diǎn)，只計(jì)算必要內(nèi)容，這就為節(jié)省大量運(yùn)行時(shí)間提供了可能性。此外，它還允許我們構(gòu)建大型的“多用途”計(jì)算圖，這些圖中可以有一些共享的核心節(jié)點(diǎn)，但我們可以通過不同計(jì)算路徑來進(jìn)行不同的計(jì)算。

變量和副作用

截至目前，我們接觸了兩種“沒有祖先”的節(jié)點(diǎn)：tf.constant和tf.placeholder。其中前者每輪都是一個(gè)定值；后者每輪都不一樣。除此之外，我們還需要考慮第三種情況：它可以連續(xù)幾輪都是個(gè)定制，但如果出現(xiàn)了一個(gè)新值，它也可以更新。這就是我們要引入的變量（Variables）概念。

如果想用Tensorflow進(jìn)行深入學(xué)習(xí)，了解變量至關(guān)重要，因?yàn)槟Ｐ偷?a target="_blank">參數(shù)基本上都是變量。在訓(xùn)練期間，我們會用梯度下降更新參數(shù)；但在評估過程中，我們卻要保持參數(shù)不變，并將大量不同的測試集輸入模型中。所以如果有可能的話，我們會希望所有可訓(xùn)練的參數(shù)都是變量。

創(chuàng)建變量的方法是tf.get_variable()，其中前兩個(gè)參數(shù)tf.get_variable(name, shape)是固定的，其他的都是可選參數(shù)。name是標(biāo)識變量對象的字符串，它必須是獨(dú)一無二的，要確保沒有重復(fù)名稱。shape是與張量形狀對應(yīng)的整數(shù)矩陣，它按順序排列，每個(gè)維度只有一個(gè)整數(shù)，例如一個(gè)3×8矩陣的shape應(yīng)該是[3, 8]。如果創(chuàng)建的是標(biāo)量，記得符號是[]。

代碼：

import tensorflow as tf

count_variable = tf.get_variable("count", [])

sess = tf.Session()

print sess.run(count_variable)

輸出：

Traceback (most recent call last):

...

tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value count

[[Node: _retval_count_0_0 = _Retval[T=DT_FLOAT, index=0, _device="/job:localhost/replica:0/task:0/device:CPU:0"](count)]]

計(jì)算圖：

又出問題了，這次又是為什么呢？當(dāng)我們首次創(chuàng)建變量時(shí)，它的初始值是“Null”，這時(shí)評估它都是會出bug的。變量要先賦值，再評估。這里賦值的方法有兩種，一是設(shè)定一個(gè)初始值，二是tf.assign()。我們來看tf.assign()：

代碼：

import tensorflow as tf

count_variable = tf.get_variable("count", [])

zero_node = tf.constant(0.)

assign_node = tf.assign(count_variable, zero_node)

sess = tf.Session()

sess.run(assign_node)

print sess.run(count_variable)

輸出：

0

計(jì)算圖：

和上文提到的節(jié)點(diǎn)相比，tf.assign(target, value)這個(gè)節(jié)點(diǎn)有點(diǎn)特殊：

它不做計(jì)算，總是等于value；

副作用（Side Effects）。上圖顯示了這個(gè)操作的副作用，當(dāng)計(jì)算流通過assign_node時(shí)，count_variable節(jié)點(diǎn)里的值被強(qiáng)行替換成了zero_node節(jié)點(diǎn)的值；

即便count_variable節(jié)點(diǎn)和assign_node之間存在連接，但兩者互不依賴（虛線）。

因?yàn)椤案弊饔谩惫?jié)點(diǎn)支撐著大部分Tensorflow深度學(xué)習(xí)計(jì)算流，所以真正理解其中的原理是很有必要的，當(dāng)我們運(yùn)行sess.run(assign_node)時(shí)，計(jì)算路徑經(jīng)過assign_node和zero_node：

計(jì)算圖：

之前提到了，我們計(jì)算目標(biāo)節(jié)點(diǎn)時(shí)會一起計(jì)算和它相關(guān)的節(jié)點(diǎn)，這之中包括副作用。如上圖中的綠色部分所示，由于tf.assign帶來的特定副作用，原先儲存“Null”的count_variable現(xiàn)在已經(jīng)被永久設(shè)置成了0，這意味著下次我們調(diào)用sess.run(count_variable)時(shí)，它會輸出0，而不是反饋bug。

接下來，讓我們看看設(shè)定初始值：

代碼：

import tensorflow as tf

const_init_node = tf.constant_initializer(0.)

count_variable = tf.get_variable("count", [], initializer=const_init_node)

sess = tf.Session()

print sess.run([count_variable])

輸出：

Traceback (most recent call last):

...

tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value count

[[Node: _retval_count_0_0 = _Retval[T=DT_FLOAT, index=0, _device="/job:localhost/replica:0/task:0/device:CPU:0"](count)]]

計(jì)算圖：

好的，為什么這里又沒有初始化呢？

答案在于會話和計(jì)算圖之間的割裂。我們?yōu)樽兞吭O(shè)置了一個(gè)初始值const_init_node，但它反映在計(jì)算圖上卻只是兩個(gè)節(jié)點(diǎn)間的虛線連接。這是因?yàn)槲覀冊跁捴懈緵]有初始化操作，沒有為它分配計(jì)算資源。我們需要在會話中把變量更新成const_init_node。

代碼：

import tensorflow as tf

const_init_node = tf.constant_initializer(0.)

count_variable = tf.get_variable("count", [], initializer=const_init_node)

init = tf.global_variables_initializer()

sess = tf.Session()

sess.run(init)

print sess.run(count_variable)

輸出：

0.

計(jì)算圖：

為此，我們添加了另一個(gè)特殊節(jié)點(diǎn)：init = tf.global_variables_initializer()。和tf.assign()類似，這也是一個(gè)帶有副作用的節(jié)點(diǎn)，但它不需要指定輸入內(nèi)容。tf.global_variables_initializer()從創(chuàng)建之初就縱觀全圖，并自動為圖中的每個(gè)tf.initializer添加依賴關(guān)系。當(dāng)我們開始執(zhí)行sess.run(init)時(shí)，它會完成全圖初始化，從而避免報(bào)錯(cuò)。

變量共享

在實(shí)際操作中，有時(shí)我們也會遇到Tensorflow代碼與變量共享，它涉及創(chuàng)建范圍并設(shè)置“reuse = True”，但我們強(qiáng)烈不建議你這么做。如果你想在多個(gè)地方使用單個(gè)變量，只需以編程方式跟蹤指向該變量節(jié)點(diǎn)的指針，并在需要時(shí)重新使用它。換句話說，對于你打算存儲在內(nèi)存中的每個(gè)參數(shù)，你應(yīng)該只調(diào)用一次tf.get_variable()。

除了以上三點(diǎn)，文章還介紹了優(yōu)化和debug過程中容易遇到的錯(cuò)誤，考慮到代碼過長影響閱讀體驗(yàn)，如果讀者感興趣，可以關(guān)注【論智】知乎專欄，明天小編會整理更新。

希望這篇文章能夠幫助你更好地理解Tensorflow是什么、它是如何工作的，以及如何使用它。