<h2>深度学习及TensorFlow简介</h2>    <p>深度学习目前已经被应用到图像识别，语音识别，自然语言处理，机器翻译等场景并取得了很好的行业应用效果。至今已有数种深度学习框架，如TensorFlow、Caffe、Theano、Torch、MXNet，这些框架都能够支持深度神经网络、卷积神经网络、深度信念网络和递归神经网络等模型。TensorFlow最初由Google Brain团队的研究员和工程师研发，目前已成为GitHub上最受欢迎的机器学习项目。</p>    <p>TensorFlow开源一周年以来，已有500+contributors，以及11000+个commits。目前采用TensorFlow平台，在生产环境下进行深度学习的公司有ARM、Google、UBER、DeepMind、京东等公司。目前谷歌已把TensorFlow应用到很多内部项目，如谷歌语音识别，GMail，谷歌图片搜索等。TensorFlow主要特性有：</p>    <p>使用灵活：TensorFlow是一个灵活的神经网络学习平台，采用图计算模型，支持High-Level的API，支持Python、C++、Go、Java接口。</p>    <p>跨平台：TensorFlow支持CPU和GPU的运算，支持台式机、服务器、移动平台的计算。并从r0.12版本支持Windows平台。</p>    <p>产品化：TensorFlow支持从研究团队快速迁移学习模型到生产团队。实现了研究团队发布模型，生产团队验证模型，构建起了模型研究到生产实践的桥梁。</p>    <p>高性能：TensorFlow中采用了多线程，队列技术以及分布式训练模型，实现了在多CPU、多GPU的环境下分布式训练模型。</p>    <p>本文主要介绍TensorFlow一些关键技术的使用实践，包括TensorFlow变量、TensorFlow应用架构、TensorFlow可视化技术、GPU使用，以及HDFS集成使用。</p>    <h2>TensorFlow变量</h2>    <p>TensorFlow中的变量在使用前需要被初始化，在模型训练中或训练完成后可以保存或恢复这些变量值。下面介绍如何创建变量，初始化变量，保存变量，恢复变量以及共享变量。</p>    <pre>  <code class="language-python">#创建模型的权重及偏置    weights = tf.Variable(tf.random_normal([784, 200], stddev=0.35), name="weights")    biases = tf.Variable(tf.zeros([200]), name="biases")        #指定变量所在设备为CPU:0    with tf.device("/cpu:0"):      v = tf.Variable(...)        #初始化模型变量    init_op = tf.global_variables_initializer()    sess=tf.Session()    sess.run(init_op)        #保存模型变量，由三个文件组成model.data，model.index，model.meta    saver = tf.train.Saver()    saver.restore(sess, "/tmp/model")        #恢复模型变量    saver.restore(sess, "/tmp/model")</code></pre>    <p>在复杂的深度学习模型中，存在大量的模型变量，并且期望能够一次性地初始化这些变量。TensorFlow提供了tf.variable_scope和tf.get_variable两个API，实现了共享模型变量。tf.get_variable(<name>, <shape>, <initializer>)：表示创建或返回指定名称的模型变量，其中name表示变量名称，shape表示变量的维度信息，initializer表示变量的初始化方法。tf.variable_scope(<scope_name>)：表示变量所在的命名空间，其中scope_name表示命名空间的名称。共享模型变量使用示例如下：</p>    <pre>  <code class="language-python">#定义卷积神经网络运算规则，其中weights和biases为共享变量    def conv_relu(input, kernel_shape, bias_shape):        # 创建变量"weights".        weights = tf.get_variable("weights", kernel_shape, initializer=tf.random_normal_initializer())        # 创建变量 "biases".        biases = tf.get_variable("biases", bias_shape, initializer=tf.constant_initializer(0.0))        conv = tf.nn.conv2d(input, weights, strides=[1, 1, 1, 1], padding='SAME')        return tf.nn.relu(conv + biases)        #定义卷积层，conv1和conv2为变量命名空间    with tf.variable_scope("conv1"):        # 创建变量 "conv1/weights", "conv1/biases".        relu1 = conv_relu(input_images, [5, 5, 32, 32], [32])    with tf.variable_scope("conv2"):        # 创建变量 "conv2/weights", "conv2/biases".        relu1 = conv_relu(relu1, [5, 5, 32, 32], [32])</code></pre>    <h2>TensorFlow应用架构</h2>    <p>TensorFlow的应用架构主要包括模型构建，模型训练，及模型评估三个方面。模型构建主要指构建深度学习神经网络，模型训练主要指在TensorFlow会话中对训练数据执行神经网络运算，模型评估主要指根据测试数据评估模型精确度。如下图所示：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/77028e39994a1d5e007429a950054a85.jpg"></p>    <p>网络模型，损失方程，模型训练操作定义示例如下：</p>    <pre>  <code class="language-python">#两个隐藏层，一个logits输出层    hidden1 = tf.nn.relu(tf.matmul(images, weights) + biases)    hidden2 = tf.nn.relu(tf.matmul(hidden1, weights) + biases)    logits = tf.matmul(hidden2, weights) + biases        #损失方程，采用softmax交叉熵算法    cross_entropy = tf.nn.sparse_softmax_cross_entropy_with_logits( logits, labels, name='xentropy')    loss = tf.reduce_mean(cross_entropy, name='xentropy_mean')        #选定优化算法及定义训练操作    optimizer = tf.train.GradientDescentOptimizer(learning_rate)    global_step = tf.Variable(0, name='global_step', trainable=False)    train_op = optimizer.minimize(loss, global_step=global_step)        模型训练及模型验证示例如下：    #加载训练数据，并执行网络训练    for step in xrange(FLAGS.max_steps):        feed_dict = fill_feed_dict(data_sets.train, images_placeholder, labels_placeholder)        _, loss_value = sess.run([train_op, loss], feed_dict=feed_dict)        #加载测试数据，计算模型精确度    for step in xrange(steps_per_epoch):        feed_dict = fill_feed_dict(data_set, images_placeholder, labels_placeholder)        true_count += sess.run(eval_correct, feed_dict=feed_dict)</code></pre>    <h2>TensorFlow可视化技术</h2>    <p>大规模的深度神经网络运算模型是非常复杂的，并且不容易理解运算过程。为了易于理解、调试及优化神经网络运算模型，数据科学家及应用开发人员可以使用TensorFlow可视化组件：TensorBoard。TensorBoard主要支持TensorFlow模型可视化展示及统计信息的图表展示。TensorBoard应用架构如下：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/5b09ba6e0c687b0ce31b76f4c5566ece.jpg"></p>    <p>TensorFlow可视化技术主要分为两部分：TensorFlow摘要模型及TensorBoard可视化组件。在摘要模型中，需要把模型变量或样本数据转换为TensorFlow summary操作，然后合并summary操作，最后通过Summary Writer操作写入TensorFlow的事件日志。TensorBoard通过读取事件日志，进行相关摘要信息的可视化展示，主要包括：Scalar图、图片数据可视化、声音数据展示、图模型可视化，以及变量数据的直方图和概率分布图。TensorFlow可视化技术的关键流程如下所示：</p>    <pre>  <code class="language-python">#定义变量及训练数据的摘要操作    tf.summary.scalar('max', tf.reduce_max(var))    tf.summary.histogram('histogram', var)    tf.summary.image('input', image_shaped_input, 10)        #定义合并变量操作，一次性生成所有摘要数据    merged = tf.summary.merge_all()        #定义写入摘要数据到事件日志的操作    train_writer = tf.train.SummaryWriter(FLAGS.log_dir + '/train', sess.graph)    test_writer = tf.train.SummaryWriter(FLAGS.log_dir + '/test')        #执行训练操作，并把摘要信息写入到事件日志    summary, _ = sess.run([merged, train_step], feed_dict=feed_dict(True))    train_writer.add_summary(summary, i)          #下载示例code，并执行模型训练      python mnist_with_summaries.py        #启动TensorBoard，TensorBoard的UI地址为http://ip_address:6006    tensorboard --logdir=/path/to/log-directory</code></pre>    <p>TensorBoard Scalar图如下所示，其中横坐标表示模型训练的迭代次数，纵坐标表示该标量值，例如模型精确度，熵值等。TensorBoard支持这些统计值的下载。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/5fde2523b3e1a4557ea339fbe3c6914f.jpg"></p>    <p>TensorFlow Image摘要信息如下图所示，该示例中显示了测试数据和训练数据中的手写数字图片。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/8efd92ee7b75e924658a3f6bf2b906ed.jpg"></p>    <p>TensorFlow图模型如下图所示，可清晰地展示模型的训练流程，其中的每个方框表示变量所在的命名空间。包含的命名空间有input（输入数据），input_reshape（矩阵变换，用于图形化手写数字）, layer1（隐含层1）, layer2（隐含层2）, dropout（丢弃一些神经元，防止过拟合）, accuracy（模型精确度）, cross_entropy（目标函数值，交叉熵）, train（训练模型）。例如，input命名空间操作后的tensor数据会传递给input_reshape，train，accuracy，layer1，cross_entropy命名空间中的操作。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/47fe33e5b62e1c53367cf808a31c9843.jpg"></p>    <p>TensorFlow变量的概率分布如下图所示，其中横坐标为迭代次数，纵坐标为变量取值范围。图表中的线表示概率百分比，从高到底为[maximum, 93%, 84%, 69%, 50%, 31%, 16%, 7%, minimum]。例如，图表中从高到底的第二条线为93%，对应该迭代下有93%的变量权重值小于该线对应的目标值。</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/4d18b975b9ff70eedb98df77ed38d945.jpg"></p>    <p>上述TensorFlow变量概率分布对应的直方图如下图所示：</p>    <p style="text-align:center"><img src="https://simg.open-open.com/show/45a51a8cb58f4dbaf0b37f79082276b5.jpg"></p>    <h2>TensorFlow GPU使用</h2>    <p>GPU设备已经广泛地应用于图像分类，语音识别，自然语言处理，机器翻译等深度学习领域，并实现了开创性的性能改进。与单纯使用CPU相比，GPU 具有数以千计的计算核心，可实现 10-100 倍的性能提升。TensorFlow支持GPU运算的版本为tensorflow-gpu，并且需要先安装相关软件：GPU运算平台CUDA和用于深度神经网络运算的GPU加速库CuDNN。在TensorFlow中，CPU或GPU的表示方式如下所示：</p>    <p>"/cpu:0"：表示机器中第一个CPU。</p>    <p>"/gpu:0"：表示机器中第一个GPU卡。</p>    <p>"/gpu:1"：表示机器中第二个GPU卡。</p>    <p>TensorFlow中所有操作都有CPU和GPU运算的实现，默认情况下GPU运算的优先级比CPU高。如果TensorFlow操作没有指定在哪个设备上进行运算，默认会优选采用GPU进行运算。下面介绍如何在TensorFlow使用GPU：</p>    <pre>  <code class="language-python"># 定义使用gpu0执行a*b的矩阵运算，其中a，b，c都在gpu0上执行    with tf.device('/gpu:0'):      a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')      b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')      c = tf.matmul(a, b)        # 通过log_device_placement指定在日志中输出变量和操作所在的设备    sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))    print sess.run(c)</code></pre>    <p>本实验环境下只有一个GPU卡，设备的Device Mapping及变量操作所在设备位置如下：</p>    <pre>  <code class="language-python">#设备的Device Mapping    /job:localhost/replica:0/task:0/gpu:0 -> device: 0, name: Tesla K20c, pci bus id: 0000:81:00.0        #变量操作所在设备位置    a: (Const): /job:localhost/replica:0/task:0/gpu:0    b: (Const): /job:localhost/replica:0/task:0/gpu:0    (MatMul)/job:localhost/replica:0/task:0/gpu:0</code></pre>    <p>默认配置下，TensorFlow Session会占用GPU卡上所有内存。但TesnorFlow提供了两个GPU内存优化配置选项。config.gpu_options.allow_growth：根据程序运行情况，分配GPU内存。程序开始的时候分配比较少的内存，随着程序的运行，增加内存的分配，但不会释放已经分配的内存。config.gpu_options.per_process_gpu_memory_fraction：表示按照百分比分配GPU内存，例如0.4表示分配40%的GPU内存。示例代码如下：</p>    <pre>  <code class="language-python">#定义TensorFlow配置    config = tf.ConfigProto()    #配置GPU内存分配方式    #config.gpu_options.allow_growth = True    #config.gpu_options.per_process_gpu_memory_fraction = 0.4    session = tf.Session(config=config, ...)</code></pre>    <h2>TensorFlow与HDFS集成使用</h2>    <p>HDFS是一个高度容错性的分布式系统，能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。TensorFlow与HDFS集成示例如下：</p>    <pre>  <code class="language-python">#配置JAVA和HADOOP环境变量    source $HADOOP_HOME/libexec/hadoop-config.sh    export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$JAVA_HOME/jre/lib/amd64/server    #执行TensorFlow运行模型    CLASSPATH=$($HADOOP_HDFS_HOME/bin/hadoop classpath --glob) python tensorflow_model.py        #在TensorFlow模型中定义文件的读取队列    filename_queue = tf.train.string_input_producer(["hdfs://namenode:8020/path/to/file1.csv", "hdfs://namenode:8020/path/to/file2.csv"])        #从文件中读取一行数据，value为所对应的行数据    reader = tf.TextLineReader()    key, value = reader.read(filename_queue)        # 把读取到的value值解码成特征向量，record_defaults定义解码格式及对应的数据类型    record_defaults = [[1], [1], [1], [1], [1]]    col1, col2, col3, col4, col5 = tf.decode_csv(value, record_defaults=record_defaults)    features = tf.pack([col1, col2, col3, col4])        with tf.Session() as sess:      # 定义同步对象，并启动相应线程把HDFS文件名插入到队列      coord = tf.train.Coordinator()      threads = tf.train.start_queue_runners(coord=coord)          for i in range(1200):        # 从文件队列中读取一行数据        example, label = sess.run([features, col5])            #请求停止队列的相关线程（包括进队及出队线程）      coord.request_stop()      #等待队列中相关线程结束（包括进队及出队线程）      coord.join(threads)</code></pre>    <h2>参考文献</h2>    <p>[1] <a href="/misc/goto?guid=4959732013667524259" rel="nofollow,noindex">http://www.tensorflow.org</a></p>    <p>[2] <a href="/misc/goto?guid=4959732013768206578" rel="nofollow,noindex">深度学习利器:分布式TensorFlow及实例分析</a></p>    <p> </p>    <p> </p>    <p>来自：http://www.infoq.com/cn/articles/deeplearning-tensorflow-actual-combat</p>    <p> </p>