本文来自作者 chen_h 在 GitChat 上分享「利用 TensorFlow 实现排序和搜索算法」，「阅读原文」查看交流实录
「文末高能」
编辑 | 嘉仔
当我们提到 TensorFlow 的时候，我们仅仅只会关注它是一个很好的神经网络和深度学习的库。
但是，其实 TensorFlow 具有 tf.cond( https://www.tensorflow.org/api_docs/python/tf/cond ) 和 tf.while_loop( https://www.tensorflow.org/api_docs/python/tf/while_loop ) 函数，前者可以处理判断语句，后者可以处理循环语句，所以它也具有一般编程语言相同的表达式。
简单的说，我们可以用 C 语言或者 Python 语言实现的排序和搜索算法都可以在 TensorFlow 图中实现。
在本文中，我们就是要介绍 TensorFlow 的另一面，它的一般编程语言表达方式。我们利用 TensorFlow 图实现了一些简单算法，诸如 FizzBuzz 问题，线性搜索，冒泡排序 等等。
1. API 解释
1.1 类似判断语句的 API：tf.cond()
cond( pred, true_fn=None, false_fn=None, strict=False, name=None, fn1=None, fn2=None )
tf.cond(...) 是一个等效于 if 语句的节点。根据其中的参数 pred 返回的布尔值来判断返回什么值，比如当参数 pred 为 true 值时，节点返回参数 true_fn 的值，当参数 pred 为 false 时，节点返回参数 false_fn 的值。但是，其中的参数 true_fn 和参数 false_fn 都是需要是 lambda 或者函数。比如：
z = tf.multiply(a, b) result = tf.cond(x < y, lambda: tf.add(x, z), lambda: tf.square(y))
当 x < y 是 true 时，节点就会去执行 tf.add 操作。当 x < y 是 false 时，节点就会去执行 tf.square 操作。
接下来，我们来看一个完整的例子，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))
请注意：API 中的某些参数被忽略了，因为它们将在以后的版本中被删除。
tf.cond — TensorFlow API r1.3(https://www.tensorflow.org/api_docs/python/tf/cond)
1.2 类似判断语句的 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(...) 是一个等效于 while 语句的节点。根据其中的参数 cond 的布尔值来判断是否将循环继续，比如当参数 pred 为 true 值时，节点去执行 body 中的语句，当参数 pred 为 false 时，那么退出这个函数。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])
当 i < 10 时，cond 返回的值是 true，所以节点会去执行 body 中的语句。当 i == 10 时，cond 返回的值是 false，那么节点就会退出。这种执行方式和一般语言中的 while 非常像。
我们也可以将循环式表达成如下：
while(cond(loop_vars)) { loop_vars = body(loop_vars); }
接下来，我们来看一个完整的例子，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())
tf.while_loop — TensorFlow API r1.3(https://www.tensorflow.org/api_docs/python/tf/while_loop)
2. 在 TensorFlow 中实现算法
2.1 Fizz Buzz 问题
请依次打印从1至100的整数，在该数能被3整除的时候，打印”Fizz”，能被5整除的时候打印”Buzz”，如果既能被3又能被5整除的时候，打印”FizzBuzz”。
import tensorflow as tf class FizzBuzz(): def __init__(self, length=30): self.length = length # 程序需要执行的序列长度 self.array = tf.Variable([str(i) for i in range(1, length+1)], dtype=tf.string, trainable=False) # 最后程序返回的结果 self.graph = tf.while_loop(self.cond, self.body, [1, self.array],) # 对每一个值进行循环判断 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)) # 判断是否是最后一个值 def body(self, i, _): flow = tf.cond( tf.equal(tf.mod(i, 15), 0), # 如果值能被 15 整除，那么就把该位置赋值为 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，那么就把该位置赋值为 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，那么就把该位置赋值为 Buzz lambda: tf.assign(self.array[i – 1], ‘Buzz’), lambda: self.array # 最后返回的结果 ) ) ) return (tf.add(i, 1), flow) if __name__ == ‘__main__’: fizzbuzz = FizzBuzz(length=50) ix, array = fizzbuzz.run() print(array)
输出结果：
[‘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’]
2.2 线性搜索
给定一个序列和一个目标值，从这个序列中找到这个目标值的位置。
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.’)
输出结果：
Array : [1, 22, 33, 1, 7, 3, 8] Number to search : 3 3 is at index 5.
2.3 冒泡排序
给定一个数组，利用冒泡排序进行排序，最后输出排好序的数组。冒泡排序算法可以查看这个文档(https://en.wikipedia.org/wiki/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)
输出结果：
[ 1. 7. 3. 8.] [ 1. 3. 7. 8.]
TensorFlow 还有更多的实现算法，你可以查看这个 Github(https://github.com/akimach/EsotericTensorFlow)。
近期热文
GitChat 与 CSDN 联合推出
《GitChat 达人课：AI 工程师职业指南》
「阅读原文」看交流实录，你想知道的都在这里
