作者：chen_h
微訊號 & QQ：862251340
微信公眾號：coderpai
簡書地址：http://www.jianshu.com/p/1da0…
TensorFlow 所構成的計算圖是圖靈完備的。
當我們提到 TensorFlow 的時候，我們僅僅只會關注它是一個很好的神經網路和深度學習的庫。但是，它也滿足資料流程式設計（DFP）的各個方面。
由於 TensorFlow 具有 tf.cond 和 tf.while_loop 函式，前者可以處理判斷語句，後者可以處理迴圈語句，所以它就具有一般程式語言相同的表示式。簡單的說，我們可以用 C 語言或者 Python 語言實現的排序和搜尋演算法都可以在 TensorFlow 圖中實現。
在本文中，我將介紹的就是 TensorFlow 的另一面，它的一般程式語言表達方式。我利用 TensorFlow 圖實現了一些演算法，諸如 FizzBuzz，Bubble Sort，Quick Sort，Binary Search 等等。
在 TensorFlow 中實現演算法
Fizz Buzz 問題
請依次列印從1至100的整數，在該數能被3整除的時候，列印”Fizz”，能被5整除的時候列印”Buzz”，如果既能被3又能被5整除的時候，列印”FizzBuzz”。
import tensorflow as tf
class FizzBuzz():
def __init__(self, length=30):
self.length = length # 程式需要執行的序列長度
self.array = tf.Variable([str(i) for i in range(1, length+1)], dtype=tf.string, trainable=False) # 最後程式返回的結果
self.graph = tf.while_loop(self.cond, self.body, [1, self.array],) # 對每一個值進行迴圈判斷
def run(self):
with tf.Session() as sess:
tf.global_variables_initializer().run()
return sess.run(self.graph)
def cond(self, i, _):
return (tf.less(i, self.length+1)) # 判斷是否是最後一個值
def body(self, i, _):
flow = tf.cond(
tf.equal(tf.mod(i, 15), 0), # 如果值能被 15 整除，那麼就把該位置賦值為 FizzBuzz
lambda: tf.assign(self.array[i - 1], `FizzBuzz`),
lambda: tf.cond(tf.equal(tf.mod(i, 3), 0), # 如果值能被 3 整除，那麼就把該位置賦值為 Fizz
lambda: tf.assign(self.array[i - 1], `Fizz`),
lambda: tf.cond(tf.equal(tf.mod(i, 5), 0), # 如果值能被 5 整除，那麼就把該位置賦值為 Buzz
lambda: tf.assign(self.array[i - 1], `Buzz`),
lambda: self.array # 最後返回的結果
)
)
)
return (tf.add(i, 1), flow)
if __name__ == `__main__`:
fizzbuzz = FizzBuzz(length=50)
ix, array = fizzbuzz.run()
print(array)
輸出結果：
[`1` `2` `Fizz` `4` `Buzz` `Fizz` `7` `8` `Fizz` `Buzz` `11` `Fizz` `13`
`14` `FizzBuzz` `16` `17` `Fizz` `19` `Buzz` `Fizz` `22` `23` `Fizz`
`Buzz` `26` `Fizz` `28` `29` `FizzBuzz` `31` `32` `Fizz` `34` `Buzz`
`Fizz` `37` `38` `Fizz` `Buzz` `41` `Fizz` `43` `44` `FizzBuzz` `46` `47`
`Fizz` `49` `Buzz`]
Linear Search
給定一個序列和一個目標值，從這個序列中找到這個目標值的位置。
import numpy as np
import tensorflow as tf
class LinearSearch():
def __init__(self, array, x):
self.x = tf.constant(x)
self.array = tf.constant(array)
self.length = len(array)
self.graph = tf.while_loop(self.cond, self.body, [0, self.x, False])
def run(self):
with tf.Session() as sess:
tf.global_variables_initializer().run()
return sess.run(self.graph)
def cond(self, i, _, is_found):
return tf.logical_and(tf.less(i, self.length), tf.logical_not(is_found))
def body(self, i, _, is_found):
return tf.cond(tf.equal(self.array[i], self.x),
lambda: (i, self.array[i], True),
lambda: (tf.add(i, 1), -1, False))
if __name__ == `__main__`:
array, x = [1, 22, 33, 1, 7, 3, 8], 3
search = LinearSearch(array, x)
ix, xx, is_found = search.run()
print(`Array :`, array)
print(`Number to search :`, x)
if is_found:
print(`{} is at index {}.`.format(xx, ix))
else:
print(`Not found.`)
輸出結果：
Array : [1, 22, 33, 1, 7, 3, 8]
Number to search : 3
3 is at index 5.
Bubble Sort
import numpy as np
import tensorflow as tf
class BubbleSort():
def __init__(self, array):
self.i = tf.constant(0)
self.j = tf.constant(len(array)-1)
self.array = tf.Variable(array, trainable=False)
self.length = len(array)
cond = lambda i, j, _: tf.less(i-1, self.length-1)
self.graph = tf.while_loop(cond, self.outer_loop, loop_vars=[self.i, self.j, self.array])
def run(self):
with tf.Session() as sess:
tf.global_variables_initializer().run()
return sess.run(self.graph)
def outer_loop(self, i, j, _):
cond = lambda i, j, _: tf.greater(j, i)
loop = tf.while_loop(cond, self.inner_loop, loop_vars=[i, self.length-1, self.array])
return tf.add(i, 1), loop[1], loop[2]
def inner_loop(self, i, j, _):
body = tf.cond(tf.greater(self.array[j-1], self.array[j]),
lambda: tf.scatter_nd_update(self.array, [[j-1],[j]], [self.array[j],self.array[j-1]]),
lambda: self.array)
return i, tf.subtract(j, 1), body
if __name__ == `__main__`:
x = np.array([1.,7.,3.,8.])
_, _, sorted_array = BubbleSort(x).run()
print(x)
print(sorted_array)
輸出結果：
[ 1. 7. 3. 8.]
[ 1. 3. 7. 8.]
還有更多的實現演算法，你可以檢視這個 Github。
API 解釋
類似判斷語句的 API：tf.cond()
cond(
pred,
true_fn=None,
false_fn=None,
strict=False,
name=None,
fn1=None,
fn2=None
)
tf.cond(…) 是一個等效於 if 語句的節點。根據其中的引數 pred 返回的布林值來判斷返回什麼值，比如當引數 pred 為 true 值時，節點返回引數 true_fn 的值，當引數 pred 為 false 時，節點返回引數 false_fn 的值。但是，其中的引數 true_fn 和引數 false_fn 都是需要是 lambda 或者函式。比如：
z = tf.multiply(a, b)
result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))
當 x < y 是 true 時，節點就會去執行 tf.add 操作。當 x < y 是 false 時，節點就會去執行 tf.square 操作。
接下來，我們來看一個完整的例子，如下：
x = tf.constant(2)
y = tf.constant(5)
def f1():
return tf.multiply(x, 17)
def f2():
return tf.add(y, 23)
r = tf.cond(tf.less(x, y), f1, f2)
with tf.Session() as sess:
print(sess.run(r))
請注意：API 中的某些引數被忽略了，因為它們將在以後的版本中被刪除。
類似判斷語句的 API： tf.while_loop()
while_loop(
cond, # Condition
body, # Process to be executed when cond is True
loop_vars, # Argument to body
shape_invariants=None,
parallel_iterations=10,
back_prop=True,
swap_memory=False,
name=None
)
tf.while_loop(…) 是一個等效於 while 語句的節點。根據其中的引數 cond 的布林值來判斷是否將迴圈繼續，比如當引數 pred 為 true 值時，節點去執行 body 中的語句，當引數 pred 為 false 時，那麼退出這個函式。比如：
i = tf.constant(0)
c = lambda i: tf.less(i, 10)
b = lambda i: tf.add(i, 1)
r = tf.while_loop(c, b, [i])
當 i < 10 時，cond 返回的值是 true，所以節點會去執行 body 中的語句。當 i == 10 時，cond 返回的值是 false，那麼節點就會退出。這種執行方式和一般語言中的 while 非常像。
我們也可以將迴圈式表達成如下：
while(condition(tensors))
{
tensors = body(tensors);
}
接下來，我們來看一個完整的例子，如下：
import tensorflow as tf
import numpy as np
def body(x):
a = tf.random_uniform(shape=[2, 2], dtype=tf.int32, maxval=100)
b = tf.constant(np.array([[1, 2], [3, 4]]), dtype=tf.int32)
c = a + b
return tf.nn.relu(x + c)
def condition(x):
return tf.reduce_sum(x) < 100
x = tf.Variable(tf.constant(0, shape=[2, 2]))
with tf.Session():
tf.initialize_all_variables().run()
result = tf.while_loop(condition, body, [x])
print(result.eval())
作者：chen_h
微訊號 & QQ：862251340
部落格地址：http://www.jianshu.com/p/1da0…
CoderPai 是一個專注於演算法實戰的平臺，從基礎的演算法到人工智慧演算法都有設計。如果你對演算法實戰感興趣，請快快關注我們吧。加入AI實戰微信群，AI實戰QQ群，ACM演算法微信群，ACM演算法QQ群。長按或者掃描如下二維碼，關注 “CoderPai” 微訊號（coderpai）
演算法社群直播間
