W Tensorflow pobierz nazwy wszystkich Tensorów na wykresie

Tworzę sieci neuronowe z Tensorflowi skflow; z jakiegoś powodu chcę uzyskać wartości niektórych wewnętrznych tensorów dla danego wejścia, więc używam myClassifier.get_layer_value(input, "tensorName"), myClassifierbędąc skflow.estimators.TensorFlowEstimator.

Jednak trudno mi znaleźć poprawną składnię nazwy tensora, nawet znając jej nazwę (i mylę się między operacją a tensorami), więc używam tensorboard do wykreślenia wykresu i wyszukania nazwy.

Czy istnieje sposób na wyliczenie wszystkich tensorów na wykresie bez korzystania z tensorboard?

Możesz to zrobić

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

Ponadto, jeśli tworzysz prototyp w notatniku IPython, możesz wyświetlić wykres bezpośrednio w notatniku, zobacz show_graphfunkcję w notatniku Alexander's Deep Dream

Jest sposób, aby zrobić to trochę szybciej niż w odpowiedzi Jarosława, używając get_operations . Oto krótki przykład:

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))

Spróbuję podsumować odpowiedzi:

Aby uzyskać wszystkie węzły (typ tensorflow.core.framework.node_def_pb2.NodeDef):

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

Aby uzyskać wszystkie operacje (wpisz tensorflow.python.framework.ops.Operation):

all_ops = tf.get_default_graph().get_operations()

Aby uzyskać wszystkie zmienne (typ tensorflow.python.ops.resource_variable_ops.ResourceVariable):

all_vars = tf.global_variables()

Aby uzyskać wszystkie tensory (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() może uzyskać potrzebne informacje.

Ponadto to zatwierdzenie dokonane dzisiaj w TensorFlow Learn, które udostępnia funkcję get_variable_namesw estymatorze, której można użyć do łatwego pobierania wszystkich nazw zmiennych.

Myślę, że to też wystarczy:

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

Ale w porównaniu z odpowiedziami Salvado i Jarosława nie wiem, która z nich jest lepsza.

Zaakceptowana odpowiedź zawiera tylko listę ciągów z nazwami. Wolę inne podejście, które daje (prawie) bezpośredni dostęp do tensorów:

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

list_of_tupleszawiera teraz każdy tensor, każdy w krotce. Możesz również dostosować to, aby uzyskać tensory bezpośrednio:

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

Ponieważ PO poprosił o listę tensorów zamiast listy operacji / węzłów, kod powinien być nieco inny:

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]

Poprzednie odpowiedzi są dobre, chciałbym tylko udostępnić funkcję narzędzia, którą napisałem, aby wybrać Tensory z wykresu:

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)
        ]

Więc jeśli masz wykres z opami:

['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']

Potem bieg

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

zwroty:

['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']

To zadziałało dla mnie:

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