tensorflow杂记

本文记录使用tensorflow API过程中的遇到的一些坑

0、change log
API的改变还是要关注的，比如0.11版本增加了对hadoop的支持：
https://github.com/tensorflow/tensorflow/blob/master/RELEASE.md

1、调试
print大法好：
tf.Print 可以在计算一个变量的同时，指定打印一组变量，参见： https://www.tensorflow.org/versions/master/api_docs/python/control_flow_ops.html#Print
tdb，tf的可视化工具 https://github.com/ericjang/tdb

0.12版更改了summary的处理方式，示例参见： http://stackoverflow.com/questions/41027247/tensorflow-0-12-0rc-tf-summary-scalar-error-using-placeholders
打开tensorboard：

sudo tensorboard --logdir=./tensorboard/  & # use & to non-block the shell
sleep 2
gnome-www-browser http://127.0.0.1:6006/

关闭tensorboard 服务

pgrep tensorboard |xargs sudo kill -9

2、内存泄露
每次采用tf.assign 甚至 tf.train.Saver(), 都会在当前graph中新增一个operator，如果在循环中持续使用，不仅仅会造成内存泄露，更会拖慢速度！！！（我的某个训练从170ms逐渐变为1000ms+！！）
调试方法，增加完所有操作后采用 sess.graph.finalize()来使得整个graph变为只读的
具体参见：

注意：tf.train.Saver() 也算是往graph中添加node，所以也必须放在finilize前
但是，，tf.train.Saver() 只会存储在该Saver声明时已经存在的变量！！！

3、条件语句
由于dropout， batchnorm等函数在训练、预测时的依赖不同，需要使用
tf.case 选择不同的执行路径，
tf.cond 相当于if
tf.case 相当于switch

示例及存在的问题参见：

4、稀疏矩阵和tf.nn.embedding_lookup_sparse

这两个概念请单独理解，抛开tensorflow，如果你要表示一个稀疏矩阵要怎么表示？
是不是每个非零值有一个坐标和一个值，比如 (0,0):1.0
那么(0,0)就对应index中的一项， 1.0就对应value中的一项，
此外，这个矩阵还要有个大小，就对应shape项

再来说tf.nn.embedding_lookup_sparse，这个时候，矩阵的第一维已经是batch中样本的下标了，而第二维则是该特征对应的下标，，也就是(样本下标，特征下标)

需要注意的是，tensorflow中不允许样本没有也就是说batch_size为2的话，矩阵中至少要有两项：(0,x):1, (1,x):0 (实在没有就自己填个0吧)

注意：tf.nn.embedding_lookup_sparse的结果并不是某一项，而是需要通过combiner对每个样本的所有特征进行聚合，比如样本0有两个非零特征：
(0,0):1, (0,3):2， combiner='sum',则对应的结果为 1+2=3
但是，当前的combiner只支持"mean", "sqrtn" and "sum"，如果需要max，min，可以考虑通过tf.nn.embedding_lookup + tf.segment_max的方式实现（未验证）
tf.segment_max： https://www.tensorflow.org/versions/master/api_docs/python/math_ops.html#segment_max

5、共享变量，多GPU
共享变量通过变量名实现，每个变量具有唯一的变量名，
变量名通过 tf.variable_scope控制，参见：

多GPU（数据并行）：
tf将变量-模型分别存储，在每个GPU上生成一个模型，模型对应的参数（变量）存储在内存上，每个GPU分别对半个mini-batch数据计算梯度（假设有两个GPU），再在CPU上完成梯度的平均及更新。
写起来挺别扭的，操作需要自己指定设备。。。不能自动运用多GPU，具体的例子参见：
https://www.tensorflow.org/versions/master/tutorials/deep_cnn/index.html#training-a-model-using-multiple-gpu-cards

猜你喜欢