Tensorflow 并非一套特定机器学习库——相反，其属于一套通用型计算库，负责利用图形表达计算过程。其核心通过 C++ 语言实现，同时亦绑定有多种其它语言。与 Python 绑定不同的是，Go 编程语言绑定不仅允许用户在 Go 环境当中使用 TensorFlow，同时亦可帮助大家深入了解 TensorFlow 的内部运作原理。
什么是绑定？
从官方说明的角度来看，TensorFlow 的开发者们公布了：
- C++ 源代码：TensorFlow 的真正核心，负责具体实现这套机器学习库的各高 / 低层级操作。
- Python 绑定与 Python 库：这些绑定由 C++ 实现代码所自动生成，这意味着我们能够借此利用 Python 调用 C++ 函数：举例来说，我们可以借此实现 numpy。另外，这套库还将调用与绑定相结合，旨在定义 TensorFlow 用户们所熟知的各类高层级 API。
- Java 绑定。
- Go 绑定。
作为 Go 的忠诚支持者，我当然对 Go 绑定给予了高度关注，希望了解其适用于支持哪些任务类型。
Go 绑定说明
Gopher (由 Takuya Ueda（@tenntenn）创建，基于 Creative Commons 3.0 Attribution 许可)
与 TensorFlow Logo 结合在一起。
首先需要强调的是用于进行自身维护的 Go API 缺少 Variable 支持能力：此 API 的设计目标在于使用经过训练的模型，而非从零开始执行模型训练。这一点在说明文档中的“Go 语言环境下 TensorFlow 安装”部分作出了明确提示：
TensorFlow 提供多种可在 Go 编程中使用之 API。这些 API 的主要作用在于加载由 Python 语言创建的模型，并在 Go 应用程序之内执行这些模型。
如果我们不关注机器学习模型的训练，那么这些 API 不会引发任何麻烦。但如果大家需要进行模型训练，那么请注意以下建议：
作为一位真正的 Go 语言支持者，请以简单作为基本指导原则！使用 Python 以定义并训练模型 ; 您始终可以加载经过训练的模型并随后在 Go 环境中加以使用。
简而言之：Go 绑定可用于导入并定义常量图 ; 在这里的语境下，所谓常量是指不涉及任何训练过程，因此不存在经过训练的变量。
现在我们将利用 Go 语言深入探索 TensorFlow 世界：创建我们的第一款应用程序。
在接下来的内容中，我们假定大家已经拥有一套 Go 环境，并根据 README 文档中的讲解对 TensorFlow 绑定进行了编译与安装。
了解 TensorFlow 结构
让我们再次对 TensorFlow 的概念进行重申（当然，这里是我个人总结出的概念，与 TensorFlow 网站中的描述有所不同）：
TensorFlow™为一套开源软件库，负责利用数据流图进行数值计算。图形中的各个节点代表数学运算，而图形边缘则代表着各节点之间进行通信的多维数据阵列（即张量）。
我们可以将 TensorFlow 视为一种描述性语言，其与 SQL 有点类似，大家可以在其中描述您所需要的内容，并由底层引擎（即数据库）解析您的查询、检查语法与语义错误，将其转换为专有表达、优化并得出计算结果：通过这一系列流程，我们将最终得出正确结果。
因此，在我们使用任何可用的 API 时，我们实际上是在对一个图形进行描述：此图形的评估起点始于我们将其放置于 Session 当中并明确决定在该会话内 Run 此图形。
了解到这一点，接下来让我们尝试定义一个计算图，并在一个 Session 当中对其进行评估。根据 API 说明文档的内容，我们可以明确找到 tensorflow（简称为 tf）& op 软件包之内的可用方法列表。
如大家所见，这两个软件包当中包含一切对图形进行定义与评估所必需的要素。
前者包含构建基础性“空”结构——例如 Graph 本身——所需要的函数，而后者则包含各类最为重要的包，荐为由 C++ 实现代码所自动生成的绑定。
然而，假定我们需要计划 A 与 x 之间的矩阵乘法，其中：
这里，假定大家已经熟悉了张量图的定义方式，并清楚了解占位符的概念及其实际作用。以下代码为 TensorFlow Python 绑定用户所作出的初步尝试。我们在这里将此文件命名为 attempt1.go
package main import ( "fmt" tf "github.com/tensorflow/tensorflow/tensorflow/go" "github.com/tensorflow/tensorflow/tensorflow/go/op") func main() { // Let's describe what we want: create the graph // We want to define two placeholder to fill at runtime // the first placeholder A will be a [2, 2] tensor of integers // the second placeholder x will be a [2, 1] tensor of intergers // Then we want to compute Y = Ax // Create the first node of the graph: an empty node, the root of our graph root := op.NewScope() // Define the 2 placeholders A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2))) x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1))) // Define the operation node that accepts A & x as inputs product := op.MatMul(root, A, x) // Every time we passed a `Scope` to an operation, we placed that // operation **under** that scope. // As you can see, we have an empty scope (created with NewScope): the empty scope // is the root of our graph and thus we denote it with "/". // Now we ask tensorflow to build the graph from our definition. // The concrete graph is created from the "abstract" graph we defined // using the combination of scope and op. graph, err := root.Finalize() if err != nil { // It's useless trying to handle this error in any way: // if we defined the graph wrongly we have to manually fix the definition. // It's like a SQL query: if the query is not syntactically valid // we have to rewrite it panic(err.Error()) } // If here: our graph is syntatically valid. // We can now place it within a Session and execute it. var sess *tf.Session sess, err = tf.NewSession(graph, &tf.SessionOptions{}) if err != nil { panic(err.Error()) } // In order to use placeholders, we have to create the Tensors // containing the values to feed into the network var matrix, column *tf.Tensor // A = [ [1, 2], [-1, -2] ] if matrix, err = tf.NewTensor([2][2]int64{ {1, 2}, {-1, -2} }); err != nil { panic(err.Error()) } // x = [ [10], [100] ] if column, err = tf.NewTensor([2][1]int64{ {10}, {100} }); err != nil { panic(err.Error()) } var results []*tf.Tensor if results, err = sess.Run(map[tf.Output]*tf.Tensor{ A: matrix, x: column, }, []tf.Output{product}, nil); err != nil { panic(err.Error()) } for _, result := range results { fmt.Println(result.Value().([][]int64)) }}
我们为以上代码编写了详尽的注释，希望大家认真关注以提升理解效果。
现在，TensorFlow-Python 用户认为上述代码能够顺利完成编译并确切起效。让我们看看其判断是否正确：
go run attempt1.go下面来看得出的结果：
panic: failed to add operation "Placeholder": Duplicate node name in graph: 'Placeholder'很明显，这里出现了问题。可以看到，同一“Placeholder”名称之下存在两个计算“Placeholder”。
结论一：节点 ID
每当我们调用一项方法以定义一项运算时，Python API 都会生成不同节点——无论此前该方法是否曾经接受过调用。事实上，以下代码能够返回结果 3，且不会引发任何问题。
import tensorflow as tf a = tf.placeholder(tf.int32, shape=()) b = tf.placeholder(tf.int32, shape=()) add = tf.add(a,b) sess = tf.InteractiveSession() print(sess.run(add, feed_dict={a: 1,b: 2}))
我们可以验证此程序是否正确创建两个节点并输出其占位符名称: print(a.name, b.name) 生成 Placeholder:0 Placeholder_1:0。因此， b 占位符为 Placeholder_1:0 而 a 占位符为 Placeholder:0。
不过在 Go 语言中，上述程序会发生错误，这是因为 A 与 x 皆会被称为 Placeholder。我们可以得出以下结论：
Go API 不会在我们每次调用一项用于定义运算的函数时自动生成新的名称: 因此，运算名称是固定的，意味着我们无法加以修改。
提问时间:
- 到现在，我们了解到关于 TensorFlow 架构的哪些结论？ 一套图形中的每个节点皆必须拥有一个惟一名称。每个节点皆由其名称作为标识。
- 节点的名称与用于定义该节点的运算名称是否相同？ 是的，或者更具体地讲，节点名称属于运算名称中的最后一部分。
为了进一步澄清第二个问题，下面我们尝试解决节点名称重复问题。
结论二：范围
如大家所见，Python API 会在每次定义一项运算时自动创建一个新的名称。着眼于底层，Python API 会调用 Scope 类中的 C++ 方法 WithOpName。以下为 scope.h 当中列出的方法说明及其特征：
/// Return a new scope. All ops created within the returned scope will have /// names of the form <name>/<op_name>[_<suffix]. Scope WithOpName(const string& op_name) const;
大家可能已经注意到，此方法用于对节点进行命名以返回 Scope，这意味着节点名称实际上就是一个 Scope。所谓 Scope，即为一条由 root /（空图形）到 op_name 的完整路径。
当我们尝试添加一个拥有同样从 / 到 op_name 路径的节点时，WithOpName 方法会相应添加一条 _
了解了这一点，为解决节点名称重复的问题，我们显然需要在 type Scope 当中找到 WithOpName 方法。遗憾的是，此方法并不存在。
相反，通过查询 type Scope 相关说明文档，我们发现惟一能够返回新 Scope 的方法只有 SubScope(namespace string)。
下面来看文档中的说明内容：
SubScope 会返回一个新的 Scope，此 Scope 负责确保全部被添加至图形中的运算被命名为“namespace”。如果此命名空间与范围内的现有命名空间相冲突，则为其添加一个后缀。
使用后缀的冲突管理机制与 C++ WithOpName 方法有所区别：WithOpName 会在同一范围内的运算名称之后添加 suffix（因此 Placeholder 会变为 Placeholder_1）; 而 Go 的 SubScope 会将 suffix 添加至范围名称之后。
这种差异意味着最终生成的图形也将完全不同，然而这种图形层面的区别（即将节点放置在不同范围之下）并不会对计算结果造成任何改变——二者在计算上仍然等效。
下面我们变更该占位符定义以定义两个不同的节点，而后 Print 其 Scope 名称。
我们通过变更以下代码行创建文件 attempt2.go：
A := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2))) x := op.Placeholder(root, tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1)))
变更之后：
// define 2 subscopes of the root subscopes, called "input". In this // way we expect to have a input/ and a input_1/ scope under the root scope A := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 2))) x := op.Placeholder(root.SubScope("input"), tf.Int64, op.PlaceholderShape(tf.MakeShape(2, 1))) fmt.Println(A.Op.Name(), x.Op.Name())
照常对其进行编译及运行: go run attempt2.go。结果如下所示:
input/Placeholder input_1/Placeholder提问时间:
到现在，我们了解到关于 TensorFlow 架构的哪些结论？ 一个节点完全由其定义所在的 Scope 负责标识。该范围为一条路径，我们利用其实现由图形 root 到目标节点的追踪。我们可以通过两种节点定义方式确保其执行同样的运算：在不同 Scope 当中定义该运算（Go 风格）或者变更运算名称（Python 会自动执行这一操作，我们亦可在 C++ 中以手动方式执行）。
到这里，我们已经解决了节点命名重复的问题，但仍有另一个问题需要加以探讨。
panic: failed to add operation "MatMul": Value for attr 'T' of int64 is not in the list of allowed values: half, float, double, int32, complex64, complex128
为何 MatMul 节点会出现定义错误？我们只是希望将两项 tf.int64 指标相乘！看起来，MatMul 似乎单单无法接受 int64 类指标。
int64 的 attr ‘T’值并不符合允许值的定义要求: half, float, double, int32, complex64, complex128
这里列出的定义要求到底是什么意思？为什么我们能够将两项 int32 指标相乘，却无法对两项 int64 指标进行同样的运算？
下面我们将逐步解决这个问题。
结论三：TensorFlow 类型系统
下面我们着眼于源代码内容，看看 C++ 对 MatMul 运算作出的声明：
REGISTER_OP("MatMul") .Input("a: T") .Input("b: T") .Output("product: T") .Attr("transpose_a: bool = false") .Attr("transpose_b: bool = false") .Attr("T: {half, float, double, int32, complex64, complex128}") .SetShapeFn(shape_inference::MatMulShape) .Doc(R"doc( Multiply the matrix "a" by the matrix "b". The inputs must be two-dimensional matrices and the inner dimension of "a" (after being transposed if transpose_a is true) must match the outer dimension of "b" (after being transposed if transposed_b is true). *Note*: The default kernel implementation for MatMul on GPUs uses cublas. transpose_a: If true, "a" is transposed before multiplication. transpose_b: If true, "b" is transposed before multiplication. )doc");
此行代码为 MatMul 运算定义了一个接口：具体来讲，我们可以利用 REGISTER_OP 宏对该运算作出以下描述：
- 名称: MatMul
- 参数: a、b
- 属性 (可选参数): transpose_a、transpose_b
- 支持的模板 T 类型： half, float, double, int32, complex64, complex128
- 输出形式: 自动推断
- 文档
这套宏不会调用任何 C++ 代码，但我们可以从中看到，在对一项运算进行定义时，即使使用一套模板，我们亦必须保证其中的 T 类型（或者属性）存在于受支持类型列表当中。实际上，.Attr(“T: {half, float, double, int32, complex64, complex128}”) 属性会将 T 类型约束为该列表当中的一个具体值。
正如教程当中所提到，即使是在使用模板 T 时，我们同样需要面向各受支持重载明确进行内核注册。此内核采用 CUDA 方式以引用以并发方式执行的各 C/C++ 函数。
正因为如此，MatMul 的作者决定仅支持以上列出的几种类型，并将 int64 排除在外。其作出这一决定的理由有二：
- 用于监督：有可能是这样，毕竟 TensorFlow 的作者仍然是人类！
- 为了支持那些无法完全支持 int64 运算的设备——具体来讲，一部分受支持硬件可能无法充分完成这类运算过程。
再回到问题身上来：现在解决办法已经非常明确。我们需要将受支持类型的参数传递至 MatMul 处。
这里我们创建 attempt3.go 以利用 int32 引用每一行代码中的 int64。
这里只需要注意一点：Go 绑定拥有自己的一组类型，且其与 Go 类型（几乎）属于 1：1 映射关系。当我们将各值包馈送至图形当中时，我们必须尊重这一原始映射关系（例如在定义 tf.Int32 占位符时馈送 Int32）。在从图形中提取数值时同样遵循此理。 返回自 Tensor 评估的 *tf.Tensor 类型拥有 Value() 方法，而此方法则返回一个必须被转换为正确类型的 interface{}（这一点已经在图形架构当中有所体现）。
编译并运行 go run attempt3.go。结果如下：
input/Placeholder input_1/Placeholder [[210] [-210]]
万岁！
到这里，我们已经展示了完整的 attempt3 代码 ; 大家可以对其进行构建与运行（当然，如果发现了改进空间，您亦可为其作出贡献）。
提问时间：
到现在，我们了解到关于 TensorFlow 架构的哪些结论？ 每一项运算都拥有自己的一组关联内核。作为一种描述性语言，TensorFlow 属于强类型语言。其不仅要求用户遵守 C++ 类型规则，同时亦要求在运算注册阶段指定特定类型方可实现功能。
总结
通过利用 Go 语言定义并执行图形，我们得以更好地理解 TensorFlow 框架的底层结构。而通过试错法，我们亦得以一步步解决各个简单问题，最终掌握与图形、节点以及类型系统相关的重要知识。
感谢陈思对本文的审校。
给InfoQ 中文站投稿或者参与内容翻译工作，请邮件至 editors@cn.infoq.com 。也欢迎大家通过新浪微博（ @InfoQ ， @丁晓昀），微信（微信号： InfoQChina ）关注我们。
暂无签名
Java 避坑指南：Java 高手笔记代码篇
本迷你书包括 86 个业务开发中常见踩坑点。每一个知识点都相当的实用，是程序员业务开发中的必备避坑指南...
评论