Introducción

A finales de noviembre de 2015 google liberó TensorFlow, una librería orientada a la construcción de modelos usando redes neuronales y usando todo el potencial del bicho que tengamos.

Las cinco nociones básicas sobre TensorFlow que nos describe el propio Google:

• El diagrama de nuestro modelo está contenido dentro de la clase Graph
• Se ejectuta en el contexto de Sessions
• Los datos son tensores
• Para mantener el estado durante las ejecuciones del diagrama, usaremos Variables
• Para obtener los resultados y alimentar al sistema con variables externas, usaremos respectivamente fetches y feeds al correr la sesión

Flujo de trabajo

Un grafo es un conjunto de operaciones animadas que representan nuestro modelo.

Al iniciar cualquier operación, se añadirá al grafo(Graph) que está por defecto. Si no creamos ninguno, será el que TensorFlow no provee.

Después, solo falta ejecutar el grafo a través de una sesión

Graphs, construir el diagrama

Lo primero que tenemos que hacer, es generar los nodos o operaciones que intervienen en nuestro modelo. Si no instanciamos ningún grafo, la libreria TensorFlow lo hará por nosotros. A partir de ahora, para dejarlo mas claro, vamos a instanciar explícitamente los grafos por medio de los bloques with.

import tensorflow as tf

# Se genera un grafo por defecto
const1 = tf.constant(4.0,name='const1')
grafo_por_defecto=tf.get_default_graph()
assert const1.graph is grafo_por_defecto

# En este caso ya no se genera el grafo, unicamente se añade la operación
const2 = tf.constant(30.0,name='const2')
assert const2.graph is grafo_por_defecto

# Explicitamente creamos un nuevo grafo
grafo1 = tf.Graph()
with grafo1.as_default():
    conts3 = tf.constant(30.0)
    assert conts3.graph is grafo1
    
const3 = tf.constant(20)
assert const3.graph is grafo_por_defecto   

Sessions, ejecutar el modelo

Lo próximo es ejecutar el grafo, para ello vamos a crear una sesión para luego ejecutarlo por medio del método run. Si instanciamos el objeto sin argumentos, lanzará el grafo por defecto.

import tensorflow as tf

# Generamos el grafo
grafo1 = tf.Graph()
with grafo1.as_default():
    matrix1 = tf.constant([[3., 3.], [3., 3.]], name='Matriz1')
    matrix2 = tf.constant([[2., 2.], [2., 2.]], name='Matriz2')
        
    producto_grafo1 = tf.matmul(matrix1, matrix2, name='Producto')

# Ejecutamos el grafo1    
with tf.Session(graph=grafo1) as sess:
    result = sess.run([producto_grafo1])
    print (result)
    

Variables y entrada(feeds) /salida(fetches)

Ya sabemos crear y ejecutar nuestro modelo, pero poco podemos tirar de nuestra imaginación sin presentar algo tan básico como las variables. Las variables permiten mantener el estado de nuestros datos a través de las distintas ejecuciones. Siempre hay que inicializarlas, lo mas fácil:  tf.initialize_all_variables().run()

También es básico saber el estado de dichas variables, para ello, utilizaremos el primer argumento (fetch) del método run de la sesión. Como se puede ver en el ejemplo, se puede pasar tantas variables como deseemos, Por cada ejecución se evaluará las variables o tensores, no al reves.

TensorFlow también nos permite proveer (feed)  datos directamente a cualquier nodo o operación del Graph. Lo usual es crear parametros a través del método  tf.placeholder(), de esta manera se reemplaza el contenido por lo introducido a través del argumento feed_dict del método run de la sesión.

import tensorflow as tf

grafo1=tf.Graph()
with grafo1.as_default():
    # Variable que guardará el sumatorio en las distintas ejecuciones
    sumatorio = tf.Variable(0, name="counter")
    # Variable de entrada (feed) = contador
    input1 = tf.placeholder(tf.int32)
    
    # Logica de cada paso    
    valor_operacion = tf.mul(input1, input1)
    flujo=tf.assign_add(sumatorio, valor_operacion)


with tf.Session(graph=grafo1) as sess:
    # Las variables deben inicializarse explicitamente
    tf.initialize_all_variables().run()

    for contador in range(3):
        estado= sess.run([flujo,valor_operacion],feed_dict={input1:contador})
        print ("Iteracion {}: {}".format(contador,estado))
 

Tensor Flow en modo interactivo

La librería de Google también nos blinda una forma fácil de utilizar Tensor Flow de forma interactiva en Ipython. Unicamente en vez de crear una Session, utilizaremos el método tf.InteractiveSession() que automáticamente nos creará una sesión por defecto, por lo que no tenemos que llamar a Tensor.eval() o Operation.run() indicando la sesión.

TensorBoard, reprentación del grafo

TensorFlow nos ofrece la posibilidad de visualizar nuestro modelo y muchas cosas mas a traves de la herramienta tensorboard.

Unicamente tenemos que generar un informe de la sesión y ejecutar en nuestra terminal tensorboard.

import tensorflow as tf

grafo1=tf.Graph()
with grafo1.as_default():
    # Variable que guardará el sumatorio en las distintas ejecuciones
    sumatorio = tf.Variable(0, name="counter")
    # Variable de entrada (feed) = contador
    input1 = tf.placeholder(tf.int32)
    
    # Logica de cada paso    
    valor_operacion = tf.mul(input1, input1)
    flujo=tf.assign_add(sumatorio, valor_operacion)


with tf.Session(graph=grafo1) as sess:
    # Las variables deben inicializarse explicitamente
    tf.initialize_all_variables().run()

    for contador in range(3):
        estado= sess.run([flujo,valor_operacion],feed_dict={input1:contador})
        print ("Iteracion {}: {}".format(contador,estado))
        
        # Las siguientes sentencias, nos crearan
    merged = tf.merge_all_summaries()
    writer = tf.train.SummaryWriter("/tmp/logs_tensor_flow/ejemplo_variable", sess.graph_def)
    
    

[pedro@localhost ~]$ tensorboard --logdir /tmp/logs_tensor_flow/ejemplo_variable

Y ya lo tenemos en nuestro navegador http://localhost:6006/

El material de estos apuntes de Tensor Flow se encuentran en mi GitHub.