本文來自作者chen_h 在 GitChat 上分享「利用 TensorFlow 實現排序和搜尋演算法」，「閱讀原文」檢視交流實錄

「文末高能」

編輯 | 嘉仔

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，其實 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 ) 函式，前者可以處理判斷語句，後者可以處理迴圈語句，所以它也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，我們就是要介紹 TensorFlow 的另一面，它的一般程式語言表達方式。我們利用 TensorFlow 圖實現了一些簡單演算法，諸如 FizzBuzz 問題，線性搜尋，氣泡排序 等等。

1. API 解釋

1.1 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。

• tf.cond — TensorFlow API r1.3(https://www.tensorflow.org/api_docs/python/tf/cond)

1.2 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(cond(loop_vars)) {     loop_vars = body(loop_vars); }

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())

• tf.while_loop — TensorFlow API r1.3(https://www.tensorflow.org/api_docs/python/tf/while_loop)

2. 在 TensorFlow 中實現演算法

2.1 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']

2.2 線性搜尋

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.

2.3 氣泡排序

給定一個數組，利用氣泡排序進行排序，最後輸出排好序的陣列。氣泡排序演算法可以檢視這個文件(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)

輸出結果：

[ 1.  7.  3.  8.] [ 1.  3.  7.  8.]

TensorFlow 還有更多的實現演算法，你可以檢視這個 Github(https://github.com/akimach/EsotericTensorFlow)。

近期熱文

GitChat 與 CSDN 聯合推出

《GitChat 達人課：AI 工程師職業指南》

「閱讀原文」看交流實錄，你想知道的都在這裡