摘要：輸入采用占位符，模型接收任意長(zhǎng)度向量，隨時(shí)間計(jì)算數(shù)據(jù)流圖所有輸出總和，采用名稱作用域合理劃分?jǐn)?shù)據(jù)流圖，每次運(yùn)行保存數(shù)據(jù)流圖輸出累加均值到磁盤。與交換工作流分開，獨(dú)立名稱作用域包含對(duì)象，存儲(chǔ)輸出累加和，記錄數(shù)據(jù)流圖運(yùn)行次數(shù)。

輸入采用占位符，模型接收任意長(zhǎng)度向量，隨時(shí)間計(jì)算數(shù)據(jù)流圖所有輸出總和，采用名稱作用域合理劃分?jǐn)?shù)據(jù)流圖，每次運(yùn)行保存數(shù)據(jù)流圖輸出、累加、均值到磁盤。

[None]代表任意長(zhǎng)度向量，[]代表標(biāo)量。update環(huán)節(jié)更新各Variable對(duì)象以及將數(shù)據(jù)傳入TensorBoard匯總Op。與交換工作流分開，獨(dú)立名稱作用域包含Variable對(duì)象，存儲(chǔ)輸出累加和，記錄數(shù)據(jù)流圖運(yùn)行次數(shù)。獨(dú)立名稱作用域包含TensorBoard匯總數(shù)據(jù)，tf.scalar_summary Op。匯總數(shù)據(jù)在Variable對(duì)象更新完成后才添加。

構(gòu)建數(shù)據(jù)流圖。
導(dǎo)入TensorFlow庫(kù)。Graph類構(gòu)造方法tf.Graph()，顯式創(chuàng)建Graph對(duì)象。兩個(gè)“全局”Variable對(duì)象，追蹤模型運(yùn)行次數(shù)，追蹤模型所有輸出累加和。與其他節(jié)點(diǎn)區(qū)分開，放入獨(dú)立名稱作用域。trainable=False設(shè)置明確指定Variable對(duì)象只能手工設(shè)置。
模型核心的變換計(jì)算，封裝到名稱作用域"transformation"，又劃分三個(gè)子名稱作用域"input"、"intermediate_layer"、"output"。.multiply、.add只能接收標(biāo)量參數(shù)，.reduce_prod、. reduce_sum可以接收向量參數(shù)。
在"update"名稱作用域內(nèi)更新Variable對(duì)象。.assign_add實(shí)現(xiàn)Variable對(duì)象遞增。
在"summaries"名稱作用域內(nèi)匯總數(shù)據(jù)供TensorBoard用。.cast()做數(shù)據(jù)類型轉(zhuǎn)換。.summary.scalar()做標(biāo)量數(shù)據(jù)匯總。
在"global_ops"名稱作用域創(chuàng)建全局Operation(Op)。初始化所有Variable對(duì)象。合并所有匯總數(shù)據(jù)。

運(yùn)行數(shù)據(jù)流圖。
.Session()啟動(dòng)Session對(duì)象，graph屬性加載Graph對(duì)象，.summary.FileWriter()啟動(dòng)FileWriter對(duì)象，保存匯總數(shù)據(jù)。
初始化Variable對(duì)象。
創(chuàng)建運(yùn)行數(shù)據(jù)流圖輔助函數(shù)，傳入向量，運(yùn)行數(shù)據(jù)流圖，保存匯總數(shù)據(jù)。創(chuàng)建feed_dict參數(shù)字典，以input_tensor替換a句柄的tf.placeholder節(jié)點(diǎn)值。使用feed_dict運(yùn)行output不關(guān)心存儲(chǔ)，運(yùn)行increment_step保存到step，運(yùn)行merged_summaries Op保存到summary。添加匯總數(shù)據(jù)到FileWriter對(duì)象，global_step參數(shù)隨時(shí)間圖示折線圖橫軸。
變換向量長(zhǎng)度多次調(diào)用運(yùn)行數(shù)據(jù)流圖輔助函數(shù)。.flush()把匯總數(shù)據(jù)寫入磁盤。

查看數(shù)據(jù)流圖。
Graph標(biāo)簽，變換運(yùn)算流入update方框，為summaries、variables提供輸入，global_ops包含變換計(jì)算非關(guān)鍵運(yùn)算。輸入層、中間層、輸出層分離。
Scalars標(biāo)簽，summary.scalar對(duì)象標(biāo)簽查看不同時(shí)間點(diǎn)匯總數(shù)據(jù)變化。

import tensorflow as tf#導(dǎo)入TensorFlow庫(kù)
#構(gòu)建數(shù)據(jù)流圖
graph = tf.Graph()#顯式創(chuàng)建Graph對(duì)象
with graph.as_default():#設(shè)為默認(rèn)Graph對(duì)象
with tf.name_scope("variables"):#創(chuàng)建Variable對(duì)象名稱作用域
    global_step = tf.Variable(0, dtype=tf.int32, trainable=False, name="global_step")#記錄數(shù)據(jù)流圖運(yùn)行次數(shù)的Variable對(duì)象，初值為0，數(shù)據(jù)類型為32位整型，不可自動(dòng)修改，以global_step標(biāo)識(shí)
    total_output = tf.Variable(0.0, dtype=tf.float32, trainable=False, name="total_output")#追蹤模型所有輸出累加和的Variable對(duì)象，初值為0.0，數(shù)據(jù)類型為32位浮點(diǎn)型，不可自動(dòng)修改，以total_output標(biāo)識(shí)
with tf.name_scope("transformation"):#創(chuàng)建變換計(jì)算Op名稱作用域
    with tf.name_scope("input"):#創(chuàng)建獨(dú)立輸入層名稱作用域
        a = tf.placeholder(tf.float32, shape=[None], name="input_placeholder_a")#創(chuàng)建占位符，接收一個(gè)32位浮點(diǎn)型任意長(zhǎng)度的向量作為輸入，以input_placeholder_a標(biāo)識(shí)
    with tf.name_scope("intermediate_layer"):#創(chuàng)建獨(dú)立中間層名稱作用域
        b = tf.reduce_prod(a, name="product_b")#創(chuàng)建創(chuàng)建歸約乘積Op，接收張量輸入，輸出張量所有分量(元素)的乘積，以product_b標(biāo)識(shí)
        c = tf.reduce_sum(a, name="sum_c")#創(chuàng)建創(chuàng)建歸約求和Op，接收張量輸入，輸出張量所有分量(元素)的求和，以sum_c標(biāo)識(shí)
    with tf.name_scope("output"):#創(chuàng)建獨(dú)立輸出層名稱作用域
        output = tf.add(b, c, name="output")#創(chuàng)建創(chuàng)建求和Op，接收兩個(gè)標(biāo)量輸入,輸出標(biāo)量求和,以output標(biāo)識(shí)
with tf.name_scope("update"):
    update_total = total_output.assign_add(output)#用最新的輸出更新Variable對(duì)象total_output
    increment_step = global_step.assign_add(1)#增1更新Variable對(duì)象global_step，記錄數(shù)據(jù)流圖運(yùn)行次數(shù)
with tf.name_scope("summaries"):#創(chuàng)建數(shù)據(jù)匯總Op名稱作用域
    avg = tf.div(update_total, tf.cast(increment_step, tf.float32), name="average")#計(jì)算平均值，輸出累加和除以數(shù)據(jù)流圖運(yùn)行次數(shù)，把運(yùn)行次數(shù)數(shù)據(jù)類型轉(zhuǎn)換為32位浮點(diǎn)型，以average標(biāo)識(shí)
    tf.summary.scalar(b"output_summary",output)#創(chuàng)建輸出節(jié)點(diǎn)標(biāo)量數(shù)據(jù)統(tǒng)計(jì)匯總，以output_summary標(biāo)識(shí)
    tf.summary.scalar(b"total_summary",update_total)#創(chuàng)建輸出累加求和標(biāo)量數(shù)據(jù)統(tǒng)計(jì)匯總，以total_summary標(biāo)識(shí)
    tf.summary.scalar(b"average_summary",avg)#創(chuàng)建平均值標(biāo)量數(shù)據(jù)統(tǒng)計(jì)匯總，以average_summary標(biāo)識(shí)
with tf.name_scope("global_ops"):#創(chuàng)建全局Operation(Op)名稱作用域
    init = tf.global_variables_initializer()#創(chuàng)建初始化所有Variable對(duì)象的Op
    merged_summaries = tf.summary.merge_all()#創(chuàng)建合并所有匯總數(shù)據(jù)的Op
#運(yùn)行數(shù)據(jù)流圖
sess = tf.Session(graph=graph)#用顯式創(chuàng)建Graph對(duì)象啟動(dòng)Session會(huì)話對(duì)象
writer = tf.summary.FileWriter("./improved_graph", graph)#啟動(dòng)FileWriter對(duì)象，保存匯總數(shù)據(jù)
sess.run(init)#運(yùn)行Variable對(duì)象初始化Op
def run_graph(input_tensor):#定義數(shù)據(jù)注圖運(yùn)行輔助函數(shù)
    """
    輔助函數(shù)：用給定的輸入張量運(yùn)行數(shù)據(jù)流圖，
    并保存匯總數(shù)據(jù)
    """
    feed_dict = {a: input_tensor}#創(chuàng)建feed_dict參數(shù)字典，以input_tensor替換a句柄的tf.placeholder節(jié)點(diǎn)值
    _, step, summary = sess.run([output, increment_step, merged_summaries], feed_dict=feed_dict)#使用feed_dict運(yùn)行output不關(guān)心存儲(chǔ)，運(yùn)行increment_step保存到step，運(yùn)行merged_summaries Op保存到summary
    writer.add_summary(summary, global_step=step)#添加匯總數(shù)據(jù)到FileWriter對(duì)象，global_step參數(shù)時(shí)間圖示折線圖橫軸
#用不同的輸入用例運(yùn)行數(shù)據(jù)流圖
run_graph([2,8])
run_graph([3,1,3,3])
run_graph([8])
run_graph([1,2,3])
run_graph([11,4])
run_graph([4,1])
run_graph([7,3,1])
run_graph([6,3])
run_graph([0,2])
run_graph([4,5,6])
writer.flush()#將匯總數(shù)據(jù)寫入磁盤
writer.close()#關(guān)閉FileWriter對(duì)象，釋放資源
sess.close()#關(guān)閉Session對(duì)象，釋放資源

參考資料：
《面向機(jī)器智能的TensorFlow實(shí)踐》

歡迎加我微信交流：qingxingfengzi
我的微信公眾號(hào):qingxingfengzigz
我老婆張幸清的微信公眾號(hào)：qingqingfeifangz