首页 文章

在Tensorflow中，获取图表中所有张量的名称

提问于
浏览 次
78

我用 Tensorflow 和 skflow 创建神经网络;由于某种原因，我想获得给定输入的一些内部张量的值，所以我使用 myClassifier.get_layer_value(input, "tensorName") ， myClassifier 是 skflow.estimators.TensorFlowEstimator .

但是，我发现很难找到张量名称的正确语法，即使知道它的名字（我在操作和张量之间感到困惑），所以我使用tensorboard绘制图形并查找名称 .

有没有办法在不使用张量板的情况下枚举图中的所有张量？

python tensorflow tensorboard skflow

8 回答

  • 0

    你可以做

    [n.name for n in tf.get_default_graph().as_graph_def().node]

    另外，如果您在IPython笔记本中进行原型设计，可以直接在笔记本中显示图形，请参阅Alexander的Deep Dream中的 show_graph 函数notebook

    回复于
  • 9

    通过使用get_operations，有一种方法可以比雅罗斯拉夫的答案稍快一些 . 这是一个简单的例子：

    import tensorflow as tf

a = tf.constant(1.3, name='const_a')
b = tf.Variable(3.1, name='variable_b')
c = tf.add(a, b, name='addition')
d = tf.multiply(c, a, name='multiply')

for op in tf.get_default_graph().get_operations():
    print(str(op.name))
    回复于
  • 5

    tf.all_variables() 可以为您提供所需的信息 .

    此外，this commit今天在TensorFlow Learn中提供了在估算器中提供函数 get_variable_names ，您可以使用它来轻松检索所有变量名称 .

    回复于
  • 3

    接受的答案只会为您提供一个包含名称的字符串列表 . 我更喜欢一种不同的方法，它可以（几乎）直接访问张量：

    graph = tf.get_default_graph()
list_of_tuples = [op.values() for op in graph.get_operations()]

    list_of_tuples 现在包含每个张量，每个张量都在一个元组内 . 您也可以调整它以直接获得张量：

    graph = tf.get_default_graph()
list_of_tuples = [op.values()[0] for op in graph.get_operations()]
    回复于
  • 141

    我想这也会做：

    print(tf.contrib.graph_editor.get_tensors(tf.get_default_graph()))

    但与萨尔瓦多和雅罗斯拉夫的答案相比，我不知道哪一个更好 .

    回复于
  • 20

    以前的答案很好，我只是想分享一个我写的选择Tensors的实用函数：

    def get_graph_op(graph, and_conds=None, op='and', or_conds=None):
    """Selects nodes' names in the graph if:
    - The name contains all items in and_conds
    - OR/AND depending on op
    - The name contains any item in or_conds

    Condition starting with a "!" are negated.
    Returns all ops if no optional arguments is given.

    Args:
        graph (tf.Graph): The graph containing sought tensors
        and_conds (list(str)), optional): Defaults to None.
            "and" conditions
        op (str, optional): Defaults to 'and'. 
            How to link the and_conds and or_conds:
            with an 'and' or an 'or'
        or_conds (list(str), optional): Defaults to None.
            "or conditions"

    Returns:
        list(str): list of relevant tensor names
    """
    assert op in {'and', 'or'}

    if and_conds is None:
        and_conds = ['']
    if or_conds is None:
        or_conds = ['']

    node_names = [n.name for n in graph.as_graph_def().node]

    ands = {
        n for n in node_names
        if all(
            cond in n if '!' not in cond
            else cond[1:] not in n
            for cond in and_conds
        )}

    ors = {
        n for n in node_names
        if any(
            cond in n if '!' not in cond
            else cond[1:] not in n
            for cond in or_conds
        )}

    if op == 'and':
        return [
            n for n in node_names
            if n in ands.intersection(ors)
        ]
    elif op == 'or':
        return [
            n for n in node_names
            if n in ands.union(ors)
        ]

    所以如果你有一个带有ops的图表：

    ['model/classifier/dense/kernel',
'model/classifier/dense/kernel/Assign',
'model/classifier/dense/kernel/read',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd',
'model/classifier/ArgMax/dimension',
'model/classifier/ArgMax']

    然后跑

    get_graph_op(tf.get_default_graph(), ['dense', '!kernel'], 'or', ['Assign'])

    收益：

    ['model/classifier/dense/kernel/Assign',
'model/classifier/dense/bias',
'model/classifier/dense/bias/Assign',
'model/classifier/dense/bias/read',
'model/classifier/dense/MatMul',
'model/classifier/dense/BiasAdd']
    回复于
  • 0

    这对我有用：

    for n in tf.get_default_graph().as_graph_def().node:
    print('\n',n)
    回复于
  • 3

    由于OP要求提供张量列表而不是操作/节点列表，因此代码应略有不同：

    graph = tf.get_default_graph()    
tensors_per_node = [node.values() for node in graph.get_operations()]
tensor_names = [tensor.name for tensors in tensors_per_node for tensor in tensors]
    回复于

相关问题