Rufen Sie in Tensorflow die Namen aller Tensoren in einem Diagramm ab

Ich erstelle neuronale Netze mit Tensorflowund skflow; aus irgendeinem Grund möchte ich die Werte einiger inneren Tensoren für eine Eingabe erhalten, so verwende ich myClassifier.get_layer_value(input, "tensorName"), myClassifierein Wesen skflow.estimators.TensorFlowEstimator.

Es fällt mir jedoch schwer, die richtige Syntax des Tensornamens zu finden, selbst wenn ich seinen Namen kenne (und ich werde zwischen Operation und Tensoren verwechselt). Daher verwende ich Tensorboard, um das Diagramm zu zeichnen und nach dem Namen zu suchen.

Gibt es eine Möglichkeit, alle Tensoren in einem Diagramm ohne Verwendung von Tensorboard aufzulisten?

Du kannst tun

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

Wenn Sie Prototypen in einem IPython-Notizbuch erstellen, können Sie das Diagramm auch direkt im Notizbuch anzeigen (siehe show_graphFunktion in Alexanders Deep Dream- Notizbuch)

Es gibt eine Möglichkeit, dies mit get_operations etwas schneller als in Jaroslaws Antwort zu tun . Hier ist ein kurzes Beispiel:

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))

Ich werde versuchen, die Antworten zusammenzufassen:

So erhalten Sie alle Knoten (Typ tensorflow.core.framework.node_def_pb2.NodeDef):

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

So erhalten Sie alle Operationen (Typ tensorflow.python.framework.ops.Operation):

all_ops = tf.get_default_graph().get_operations()

So erhalten Sie alle Variablen (Typ tensorflow.python.ops.resource_variable_ops.ResourceVariable):

all_vars = tf.global_variables()

So erhalten Sie alle Tensoren (Typ tensorflow.python.framework.ops.Tensor) :

all_tensors = [tensor for op in tf.get_default_graph().get_operations() for tensor in op.values()]

tf.all_variables() Sie erhalten die gewünschten Informationen.

Auch commit dies heute in TensorFlow gemacht Erfahren Sie, dass eine Funktion bietet get_variable_namesin Schätzer , dass man leicht alle Variablennamen abrufen können.

Ich denke, das wird auch reichen:

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

Aber im Vergleich zu den Antworten von Salvado und Jaroslaw weiß ich nicht, welche besser ist.

Die akzeptierte Antwort enthält nur eine Liste von Zeichenfolgen mit den Namen. Ich bevorzuge einen anderen Ansatz, der Ihnen (fast) direkten Zugang zu den Tensoren ermöglicht:

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

list_of_tuplesenthält jetzt jeden Tensor, jeder innerhalb eines Tupels. Sie können es auch anpassen, um die Tensoren direkt zu erhalten:

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

Da das OP nach der Liste der Tensoren anstelle der Liste der Operationen / Knoten gefragt hat, sollte der Code geringfügig abweichen:

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]

Frühere Antworten sind gut. Ich möchte nur eine Dienstprogrammfunktion teilen, die ich geschrieben habe, um Tensoren aus einem Diagramm auszuwählen:

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)
        ]

Wenn Sie also ein Diagramm mit Operationen haben:

['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']

Dann rennen

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

kehrt zurück:

['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']

Das hat bei mir funktioniert:

for n in tf.get_default_graph().as_graph_def().node:
    print('\n',n)