首页 > 其他分享> 文章详细

tensorflow的测试代码

2022-02-20 18:31:20 阅读：230 来源： 互联网

标签：shape tf print state input 测试代码 tensorflow ###

1、个人理解：

　1.1、tensorflow的构建视图、构建操作... 都只是在预定义一些操作/一些占位，并没有实际的在跑代码，一直要等到 session.run 才会实际的去执行某些代码

　1.2、我们预定义的一大堆视图/操作等等，并不一定所有的都会执行到，只有 session.run 使用到的才会执行到。否则的话在 tensorflow视图里面仅仅是孤立的点并没有数据流过它

　1.3、sess.run 可以执行某一个操作(变量)，也可以执行某一个函数

2、资料：

　2.1、度娘：“sess.run”

　　tensorflow学习笔记（1）：sess.run()_站在巨人的肩膀上coding-CSDN博客.html（https://blog.csdn.net/LOVE1055259415/article/details/80011094）

　　sess.run 会调用哪些方法_百度知道.html（https://zhidao.baidu.com/question/1051057979950110419.html）

　2.2、度娘：“tensor tf.print”、“tensor tf.print 返回值”

　　tensorflow Debugger教程（二）——tf.Print()与tf.print()函数_MIss-Y的博客-CSDN博客.html（https://blog.csdn.net/qq_27825451/article/details/96100496）

　　　ZC：传统做法（打印sess.run(...)的返回值） + tf.Print() + tf.print()

　　tensorflow在函数中用tf.Print输出中间值的方法_sjtuxx_lee的博客-CSDN博客.html（https://blog.csdn.net/sjtuxx_lee/article/details/84571377）

　　　ZC：tf.Print() ，“没有数据流过，就不会被执行”

　　tensorflow笔记 tf.Print()_thormas1996的博客-CSDN博客.html（https://blog.csdn.net/thormas1996/article/details/81224405）

　　　ZC：“需要注意的是tf.Print()只是构建一个op，需要run之后才会打印。”

'''
# 测试代码（1）

import tensorflow as tf
state = tf.Variable(0.0,dtype=tf.float32)
one = tf.constant(1.0,dtype=tf.float32)
new_val = tf.add(state, one)
update = tf.assign(state, new_val)
init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(10):
        u,s = sess.run([update,state])
        print(s)
'''

### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ###

'''
# 测试代码（2）

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
state = tf.Variable(0.0,dtype=tf.float32)
one = tf.constant(1.0,dtype=tf.float32)
new_val = tf.add(state, one)
update = tf.assign(state, new_val)# 返回tensor， 值为new_val
update2 = tf.assign(state, 10000)# 没有fetch，便没有执行
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        print(sess.run(update))
'''

### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ### ###

# 测试代码（3）

import sys
import numpy
# batches = numpy.zeros((32,1))
batches = numpy.zeros((12,1))
# print(batches)
# print(type(batches))
batches[0][0] = 1
# print(batches)
print(type(batches))
print("batches.shape : ", batches.shape)
print("batches[0][0].shape : ", batches[0][0].shape)
# sys.exit()
print("\n\n\n")


import tensorflow as tf

# tf.enable_eager_execution()

# RNN的大小（隐藏节点的维度）
rnn_size = 512

tf.reset_default_graph()
train_graph = tf.Graph()


with train_graph.as_default():
    input_text = tf.placeholder(tf.int32, [None, None], name="input")
    targets = tf.placeholder(tf.int32, [None, None], name="targets")
    lr = tf.placeholder(tf.float32)
    #    tf.print(targets,[targets])

    input_data_shape = tf.shape(input_text)
    #    tf.print(input_data_shape)
    # 构建RNN单元并初始化
    # 将一个或多个BasicLSTMCells 叠加在MultiRNNCell中，这里我们使用2层LSTM cell
    cell = tf.contrib.rnn.MultiRNNCell([tf.contrib.rnn.BasicLSTMCell(num_units=rnn_size) for _ in range(2)])
    initial_state = cell.zero_state(input_data_shape[0], tf.float32)
    #    print("type(initial_state) : ", type(initial_state))
    initial_state = tf.identity(initial_state, name="initial_state")



    # tf.enable_eager_execution() # ZC: 感觉只要 tf.Print/tf.print是在打印占位符的信息，这句代码放在它们的前面的话，就会报错“AttributeError: 'Tensor' object has no attribute '_datatype_enum'”。  若是tf.Print/tf.print(它们的返回值是不同的)是在打印占位符的信息的话，都是需要sess.run的 ! !
    # op = tf.print("--> --> --> input_text: ", input_text, output_stream=sys.stderr)
    op = tf.Print(input_text, ['--> input_text: ', input_text])
    # tf.print("--> --> --> input_text: ", input_text, output_stream=sys.stderr)

    tf.enable_eager_execution()# ZC: 这一句放在 with的里面，这个位置是OK的。放在with的外面，会提示 要将这句代码放到程序开始的位置去
    x=tf.constant([2,3,4,5])
    y=tf.constant([20,30,40,50])
    z=tf.add(x,y)

    tf.print("x:",x, "y:",y,"z:",z, output_stream=sys.stderr)


with tf.Session(graph=train_graph) as sess:
    sess.run(tf.global_variables_initializer())
    print("input_data_shape : ", input_data_shape)
    print("input_data_shape[0] : ", input_data_shape[0])
    print("initial_state.shape : ", initial_state.shape)
    print("input_text : ", input_text)

    print("type(batches) : ", type(batches))
    print("batches.shape : ", batches.shape)

    print()

#    state = sess.run(initial_state, {input_text: batches[0][0]})
#    state, inputDataShape = sess.run([initial_state, input_data_shape], {input_text: batches[0][0]})
#    state, inputDataShape = sess.run([initial_state, input_data_shape], {input_text: batches})
    state, inputDataShape, op = sess.run([initial_state, input_data_shape, op], feed_dict={input_text: batches})# ZC: 这里 是否使用 feed_dict，效果上是一样的

    print(">>> >>> >>> >>> >>> sess.run(...) 之后 <<< <<< <<< <<< <<<\n")
    print("op : ", op)
    print("state.shape : ", state.shape)
#    print("state[0][0] : ")
#    print(state[0][0])
    print()

    print("inputDataShape : ", inputDataShape)
    print("type(inputDataShape) : ", type(inputDataShape))
    print("len(inputDataShape) : ", len(inputDataShape))
    print("inputDataShape.shape : ", inputDataShape.shape)
    print("inputDataShape[0] : ", inputDataShape[0])


    print()
    print("input_data_shape : ", input_data_shape)
    print("input_data_shape[0] : ", input_data_shape[0])
    print("initial_state.shape : ", initial_state.shape)
    print("input_text : ", input_text)

标签：shape,tf,print,state,input,测试代码,tensorflow,###
来源： https://www.cnblogs.com/xiaochouk/p/15916102.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

tensorflow的测试代码