tensorflow - 节点和操作之间的区别

Question

我无法理解 Tensorflow 中节点和操作之间的区别。

例如:

with open('myfile_1','w') as myfile:
     for n in tf.get_default_graph().as_graph_def().node:
         myfile.write(n.name+'\n')



with open('myfile_2','w') as myfile:
     for op in tf.get_default_graph().get_operations():
         myfile.write(op.name+'\n')

什么进入 myfile_1 什么进入 myfile_2 ？和变量属于哪个类/文件？

我们可以将它们全部称为“张量”吗？我对这里的命名有点困惑...

我在这里添加，按照评论中的建议，在一个简单的图表上的结果:

tf.reset_default_graph()
x=tf.placeholder(tf.float32,[1])
y=2*x
z=tf.constant(3.0,dtype=tf.float32)
w=tf.get_variable('w',[2,3], initializer = tf.zeros_initializer())

with open('myfile_1','w') as myfile:
     for n in tf.get_default_graph().as_graph_def().node:
         myfile.write(n.name+'\n')

with open('myfile_2','w') as myfile:
     for op in tf.get_default_graph().get_operations():
         myfile.write(op.name+'\n')

with tf.Session() as sess:
     print(sess.run(y,feed_dict={x : [3]}))

在这种情况下，myfile_1 和 myfile_2 都等于:

Placeholder
mul/x
mul
Const
w/Initializer/zeros
w
w/Assign
w/read

Answer 1

Tensorflow 图是一个有向图，这样:

• 节点 - 操作 (ops)。
• 有向边 - 张量。

例如，当您定义:

x = tf.placeholder(tf.float32, shape=(None, 2))

x 是张量，它是 Placeholder 操作的输出:

print(x.op.type) # Placeholder

as_graph_def() 返回图的 SERIALIZED 版本(将其视为文本版本)。 get_operation() 返回实际操作，而不是它们的序列化表示。当您打印这些操作(或将它们写入文件)时，您会得到相同的值，因为该操作的 __str__() 方法返回其序列化形式。

您不会始终获得相同的值。例如:

import tensorflow as tf
import numpy as np
tf.reset_default_graph()

v = tf.Variable(np.random.normal([1]))
res1, res2 = [], []

for n in v.graph.as_graph_def(add_shapes=False).node:
    res1.append(n.__str__())

for op in tf.get_default_graph().get_operations():
    res2.append(op.__str__())
print(set(res1) == set(res2)) # True <-- exact same representation
res1, res2 = [], []

for n in v.graph.as_graph_def(add_shapes=True).node:
    res1.append(n.__str__())

for op in tf.get_default_graph().get_operations():
    res2.append(op.__str__())
print(set(res1) == set(res2)) # False <-- not the same in this case!

更多可以引用tensorflow原文paper .