强化学习笔记2-Python/OpenAI/TensorFlow/ROS-程序指令

TensorFlow

TensorFlow是Google的一个开源软件库，广泛用于数值计算。它使用可在许多不同平台上共享和执行的数据流图。

它被广泛用于构建深度学习模型，这是机器学习的一个子集。张量只不过是一个多维数组，所以当我们说TensorFlow时，它实际上是计算图中的多维数组（张量）流。

安装Anaconda后，安装

TensorFlow变得非常简单，直接安装tensorflow也非常简单。无论您使用何种平台，都可以通过键入以下命令轻松安装tensorflow。

conda install -c conda-forge tensorflow

或

pip install --user tensorflow

pip3 install --user tensorflow

如需GPU支持，需要-gpu。

运行以下hello world程序即可检查成功的tensorflow安装。

import warnings

warnings.filterwarnings('ignore')

import tensorflow as tf

hello = tf.constant("Hello World")

sess = tf.Session()

print(sess.run(hello))

显示结果如下：

b'Hello World'

变量Variables、常量Constants、占位符Placeholders

变量，常量，占位符是TensorFlow的基本要素。 但是，这三者之间总是存在混淆。 让我们逐个看到每个元素，并了解它们之间的区别。

变量

变量是用于存储值的容器。 变量将用作计算图中其他几个操作的输入。 我们可以使用tf.Variable（）函数创建tensorflow变量。 在下面的示例中，我们使用随机正态分布中的值定义变量，并将其命名为权重。

weights = tf.Variable(tf.random_normal([8, 9], stddev=0.1), name="weights")

但是，在定义变量之后，我们需要使用tf.global_variables_initializer（）方法显式创建初始化操作，该方法将为变量分配资源。

常量

常量与变量不同，它们的值不能改变。

它们被分配了值，它们无法在整个过程中更改。 我们可以创建常量使用tf.constant（）函数。

x = tf.constant(666)

占位符

将占位符视为一个变量，您只需定义类型和维度不分配价值。 占位符定义为没有值。 占位符的值将在运行时提供。 占位符有一个名为shape的可选参数指定数据的维度。 如果形状设置为none，那么我们可以提供任何数据运行时的大小。 可以使用tf.placeholder（）函数定义占位符

x = tf.placeholder("float", shape=None)

简单来说，我们使用tf.variable来存储数据，使用tf.placeholder来提供外部数据。

计算图（ROS中也有这个概念）Computation Graph

TensorFlow中的所有内容都将表示为由节点和边组成的计算图，其中节点是数学运算，例如加法，乘法等。边是张量。 计算图在优化资源方面非常有效，并且还促进了分布式计算。

假设我们有节点B，其输入依赖于节点A的输出，这种类型的依赖性称为直接依赖：

A = tf.multiply(8,5)

B = tf.multiply(A,1)

当节点B不依赖于节点A进行输入时，它被称为间接依赖：

A = tf.multiply(8,5)

B = tf.multiply(4,3)

因此，如果我们能够理解这些依赖关系，我们就可以在可用资源中分配独立计算并减少计算时间。 每当我们导入tensorflow时，将自动生成默认图形，并且我们创建的所有节点都将与默认图形相关联。

会话Sessions

只会定义计算图，为了执行计算图，我们使用tensorflow会话。 sess = tf.Session（）我们可以使用tf.Session（）方法为我们的计算图创建会话，该方法将分配用于存储变量当前值的内存。 创建会话后，我们可以使用sess.run（）方法执行我们的图形。 为了在tensorflow中运行任何东西，我们需要为一个实例启动tensorflow会话，看下面的代码：

import tensorflow as tf

a = tf.multiply(2,3)

print(a)

输出：

Tensor("Mul_4:0", shape=(), dtype=int32)

它将打印tensorflow对象而不是6。因为如前所述，每当我们导入tensorflow时，将自动创建默认计算图，并且我们创建的所有节点将附加到图上。 为了执行图形，我们需要初始化tensorflow会话，如下所示：

import tensorflow as tf

a = tf.multiply(2,3)

#create tensorflow session for executing the session

with tf.Session() as sess:

#run the session

print(sess.run(a))

输出：

6

综合到一个示例中：

import warnings

warnings.filterwarnings('ignore')

import tensorflow as tf

hello = tf.constant("Hello World")

sess = tf.Session()

print(sess.run(hello))

a = tf.multiply(6,8)

print(a)

#create tensorflow session for executing the session

with tf.Session() as sess:

#run the session

print(sess.run(a))

b'Hello World'

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

48

TensorBoard

TensorBoard是tensorflow的可视化工具，可用于可视化计算图。 它还可用于绘制各种中间计算的各种定量指标和结果。 使用TensorBoard，我们可以轻松地可视化复杂的模型，这对于调试和共享非常有用。 现在让我们构建一个基本的计算图并在tensorboard中可视化。

首先，让我们导入库：

import tensorflow as tf

接下来，我们初始化变量：

a = tf.constant(5)

b = tf.constant(4)

c = tf.multiply(a,b)

d = tf.constant(2)

e = tf.constant(3)

f = tf.multiply(d,e)

g = tf.add(c,f)

现在，我们将创建一个tensorflow会话，我们将使用tf.summary.FileWriter（）将我们的图形结果写入称为事件文件的文件：

with tf.Session() as sess:

writer = tf.summary.FileWriter("logs", sess.graph)

print(sess.run(g))

writer.close()

输出：

26

要运行tensorboard，请转到终端，找到工作目录并键入：

tensorboard --logdir=logs --port=6003

添加范围Adding Scope

范围用于降低复杂性，并通过将相关节点分组在一起来帮助更好地理解模型。例如，在上面的示例中，我们可以将图分解为两个不同的组，称为计算和结果。 如果你看一下前面的例子，我们可以看到节点，a到e执行计算，节点g计算结果。 因此，我们可以使用范围单独对它们进行分组以便于理解。 可以使用tf.name_scope（）函数创建范围。

with tf.name_scope("Computation"):

a = tf.constant(5)

b = tf.constant(4)

c = tf.multiply(a,b)

d = tf.constant(2)

e = tf.constant(3)

f = tf.multiply(d,e)

with tf.name_scope("Result"):

g = tf.add(c,f)

如果您看到计算范围，我们可以进一步细分为单独的部分，以便更好地理解。 假设我们可以创建作为第1部分的范围，其具有节点a到c，范围作为第2部分，其具有节点d到e，因为第1部分和第2部分彼此独立。

with tf.name_scope("Computation"):

with tf.name_scope("Part1"):

a = tf.constant(5)

b = tf.constant(4)

c = tf.multiply(a,b)

with tf.name_scope("Part2"):

d = tf.constant(2)

e = tf.constant(3)

f = tf.multiply(d,e)

通过在tensorboard中对它们进行可视化，可以更好地理解范围。 完整代码如下所示：

with tf.name_scope("Computation"):

with tf.name_scope("Part1"):

a = tf.constant(5)

b = tf.constant(4)

c = tf.multiply(a,b)

with tf.name_scope("Part2"):

d = tf.constant(2)

e = tf.constant(3)

f = tf.multiply(d,e)

with tf.name_scope("Result"):

g = tf.add(c,f)

with tf.Session() as sess:

writer = tf.summary.FileWriter("logs", sess.graph)

print(sess.run(g))

writer.close()

全部示例如下：

import tensorflow as tf

with tf.name_scope("Computation"):

with tf.name_scope("Part1"):

a = tf.constant(5)

b = tf.constant(4)

c = tf.multiply(a,b)

with tf.name_scope("Part2"):

d = tf.constant(2)

e = tf.constant(3)

f = tf.multiply(d,e)

with tf.name_scope("Result"):

g = tf.add(c,f)

with tf.Session() as sess:

writer = tf.summary.FileWriter("logs", sess.graph)

print(sess.run(g))

writer.close()

使用：tensorboard --logdir=logs --port=6003

在浏览器复制如下地址：TensorBoard 1.13.1 at

http://TPS2:6003

(Press CTRL+C to quit)

不同系统会有差异。

扩展阅读：

OpenAI博客

TensorFlow官网

Github

Python TensorFlow 机器学习

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。