En Tensorflow, obtenga los nombres de todos los tensores en un gráfico

Estoy creando redes neuronales con Tensorflowy skflow; por alguna razón, quiero obtener los valores de algunos tensores internos para una entrada determinada, por lo que estoy usando myClassifier.get_layer_value(input, "tensorName"), myClassifiersiendo a skflow.estimators.TensorFlowEstimator.

Sin embargo, me resulta difícil encontrar la sintaxis correcta del nombre del tensor, incluso sabiendo su nombre (y me estoy confundiendo entre operación y tensores), así que estoy usando tensorboard para trazar el gráfico y buscar el nombre.

¿Hay alguna forma de enumerar todos los tensores en un gráfico sin usar tensorboard?

Tu puedes hacer

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

Además, si está creando un prototipo en un cuaderno IPython, puede mostrar el gráfico directamente en el cuaderno, consulte la show_graphfunción en el cuaderno Deep Dream de Alexander.

Hay una manera de hacerlo un poco más rápido que en la respuesta de Yaroslav usando get_operations . Aquí hay un ejemplo rápido:

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))

Intentaré resumir las respuestas:

Para obtener todos los nodos (tipo tensorflow.core.framework.node_def_pb2.NodeDef):

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

Para obtener todas las operaciones (tipo tensorflow.python.framework.ops.Operation):

all_ops = tf.get_default_graph().get_operations()

Para obtener todas las variables (tipo tensorflow.python.ops.resource_variable_ops.ResourceVariable):

all_vars = tf.global_variables()

Para obtener todos los tensores (tipo 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() puede conseguirle la información que desee.

Además, esta confirmación realizada hoy en TensorFlow Learn que proporciona una función get_variable_namesen el estimador que puede usar para recuperar todos los nombres de variables fácilmente.

Creo que esto también servirá:

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

Pero comparado con las respuestas de Salvado y Yaroslav, no sé cuál es mejor.

La respuesta aceptada solo le brinda una lista de cadenas con los nombres. Prefiero un enfoque diferente, que le da (casi) acceso directo a los tensores:

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

list_of_tuplesahora contiene cada tensor, cada uno dentro de una tupla. También puedes adaptarlo para obtener los tensores directamente:

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

Dado que el OP solicitó la lista de tensores en lugar de la lista de operaciones / nodos, el código debería ser ligeramente diferente:

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]

Las respuestas anteriores son buenas, solo me gustaría compartir una función de utilidad que escribí para seleccionar Tensores de un gráfico:

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)
        ]

Entonces, si tiene un gráfico con operaciones:

['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']

Entonces corriendo

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

devoluciones:

['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']

Esto funcionó para mí:

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