[TensorFlow系列-22]：基本元素与运行机制 - Tensor、Variable、Operation、Session、Placeholder、Graph、静态与动态数据流图的比较

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

 

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120401689

---

目录

第1章 TensorFlow的基本元素概述

1.1 基本元素组成

2.2 Tensorflow是Python的库

第2章 Tensorflow程序初探

2.1 张量Tensor（对象）

2.2 变量Variable（对象）

2.3 数据类型的指定

2.4 数据操作/运算

第3章 构建数据流图：动态数据流图（tensorflow 2.0）

第4章 构建数据流图：静态数据流图（tensorflow 1.0）

4.1 静态数据流图的构建

4.2 静态数据流图的执行：session

4.3 placeholder

4.4 静态图对象

第5章 动态图和静态图的比较

---

---

第1章 TensorFlow的基本元素概述

1.1 基本元素组成

 上述的基本概念是学习和理解tensorflow的基础元素，神经网络也是在上述基本概念和元素的基础之上构建的。因此有必要总结一下这些基本元素。

2.2 Tensorflow是Python的库

#环境准备
import numpy as np
import tensorflow as tf
print("hello world")
print("tensorflow version:", tf.__version__)

hello world
tensorflow version: 2.4.0

• Tenorflow框架和应用程序是python的程序
• Tenorflow是Python的库，可以通过import导入

第2章 Tensorflow程序初探

a = tf.constant(1.0, dtype=tf.float32)
b = tf.Variable(2.0, dtype=tf.float32 ,trainable=True)
c = a + b
d = tf.add(a,b)
print(a)
print(b)
print(c)
print(d)

tf.Tensor(1.0, shape=(), dtype=float32)
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>
tf.Tensor(3.0, shape=(), dtype=float32)
tf.Tensor(3.0, shape=(), dtype=float32)

上述的程序，虽然简单，却展现了Tensorflow最核心的概念：

张量、变量、数据类型、操作、数据流图

2.1 张量Tensor（对象）

张量tensor在Tensorflow中是通过tf.constant() 来定义的。

张量tensor在Tensorflow用来表达和存放输入样本数据的数据结构。

张量的各种运算，本质是就是对样本数据的各种处理。

a = tf.constant(1.0, dtype=tf.float32)

这里的constant不表示常量，而是指张量。

之所以用“constant”表示，应该说，这是一个历史遗留问题，很显然，用tensor来表示更加的合理和复合它的本意，Pytorch就使用了tensor这样有针对性的词汇。

当然，并不是说“constant”一点道理也没有。

用constant定义的tensor通常用于定义样本数据，而样本数据在模型训练时，相对于需要不断改变数值的模型的w，b参数，就是一个常量。

constant定义的tensor对象，其数据直接存放在tensor中，如下下图所示：

tf.Tensor(1.0, shape=(), dtype=float32)

2.2 变量Variable（对象）

Variable对象是在普通Tensor对象基础之上的进一步封装。

专门用于表达和存放神经网络的w,b参数，也用于存放中间运行结果的数据。

b = tf.Variable(2.0, dtype=tf.float32 ,trainable=True)

trainable：是Variable特有的一个属性，表明该参数是否需要自动求导数，或者说是否是模型训练的参数。

Variable定义的对象，其数据存放在数据区，这是因为Variable对象是对constant对象进一步的封装。

<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>

2.3 数据类型的指定

C、C++语言，如int x = 10; 其数据类型是在数据定义时，通过在变量名前加限定词，如int来指明数据的类型。

不同于C、C++语言，Tensor和Variable对象的数据的数据类型，是通过对象的属性：dtype来指定的。如dtype=tf.float32。

2.4 数据操作/运算

c = a + b
d = tf.add(a,b)

其中，操作符"+"和tf.add都是对数据a和b的操作和运算。

由于a和b是复杂数据类型，在面向对象中，操作符"+"不在时基础的数值运算，而是进行了运算符的重载 ，与tf.add是等效的。

与pytorch不同，tensorflow并没有为Tensor和Variable对象，定义如add，sub等数值运算的成员函数。因此不能执行如c = a.add(b) 这样的运算。

a = tf.constant(1.0, dtype=tf.float32)
b = tf.Variable(2.0, dtype=tf.float32 ,trainable=True)
c = a + b
d = tf.add(a,b)
print(a)
print(b)
print(c)
print(d)

tf.Tensor(1.0, shape=(), dtype=float32)
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>
tf.Tensor(3.0, shape=(), dtype=float32)
tf.Tensor(3.0, shape=(), dtype=float32)

上述执行的结果：

c = 3.0， d = 3.0

上述执行结果是tensorflow2.0的结果，这与Pytorch、python语言、C/C++语言的执行结果是一致的。

实际上tensorflow1.0的时候，并非是这个结果，在执行c = a+b语句时，tensorflow1.0并不能得到执行结果，只是构建c = a+b的静态的数据流图，并没有进行实际的运算。

这里涉及到一个核心的概念：构建静态或动态的数据流图。

上述代码的执行结果是：动态数据流图的执行结果。

第3章 构建数据流图：动态数据流图（tensorflow 2.0）

Tensorflow2.0在默认情况下，采用了动态数据流图的设计。

在Tensorflow 2.0， c = a+b语句，会隐含的执行如下的操作：

（1）自动：构建动图数据流图和相应的上下文

（2）自动：动态创建执行动态图的session以及相应的上下文

（3）自动：在session中执行数据流图，获得执行结果。

（4）自动：把执行结果存放到tensor和Variable对象中。

（5）自动：释放session、动图数据图的上下文内存空间。

上述的过程，全部有编译器自动完成，不需要程序员参与。

很显然，使用动态图，程序的编程更加的自然、简单，直接得到运行结果：

a = tf.constant(1.0, dtype=tf.float32)
b = tf.Variable(2.0, dtype=tf.float32 ,trainable=True)
c = a + b
d = tf.add(a,b)
print(a)
print(b)
print(c)
print(d)

tf.Tensor(1.0, shape=(), dtype=float32)
<tf.Variable 'Variable:0' shape=() dtype=float32, numpy=2.0>
tf.Tensor(3.0, shape=(), dtype=float32)
tf.Tensor(3.0, shape=(), dtype=float32)

实际在，在Tensorflow 1.0时，数据流的执行并不像上述那样，如此的直观、自然和简单。

要想得到a,b,c,d的值，是需要执行额外的代码。

第4章 构建数据流图：静态数据流图（tensorflow 1.0）

4.1 静态数据流图的构建

在tensorflow 1.0， c = a+b只是构建了一个如下的数据流图

叶子节点：a，b

运算节点：+

输出节点或边：c

在tensorflow 1.0， c = a+b语句，会隐含的执行如下的操作：

• 自动：构建动图数据流图和相应的上下文

此时的执行结果如下

静态图构建后的执行结果是：

a，b都是tensor或variable，而不是a和b的数值1.0和2.0

c是“add”操作，而不是add后的结果。 

4.2 静态数据流图的执行：session

（1）session的创建

Session是tensor1.0的概念，session的作用如下；

• 手工：创建执行静态图的session以及相应的上下文
• 手功：能在session中执行数据流图，获得执行结果。
• 自动：把执行结果存放到tensor和Variable对象中。
• 手工：关闭session
• 自动：释放动图数据图的上下文内存空间。

在静态图中，前三个手工步骤，必须需要程序员来完成，如下图所示：

只有通过session的执行，才能获得a，b，c的数值。

a=1.0,  b=2.0,  c = 3.0， d = 3.0

（2）通过with语句，减少手工执行sess.close()

   with tf.Session() as sess:

       print(sess.run(a))

       print(sess.run(b))

       print(sess.run(c))

       print(sess.run(d))

       #运算结束后，编译器启动调用sess的析构函数，自动执行sess.close()

4.3 placeholder

在构建静态图中，输入节点是不需要提供数值，只需要节点的数据类型即可。

数值只有在session执行时才需要提供数据。为此Tensorflow定义了一个新的数据结构placeholder。

（1）placeholder数据对象的定义

（2）在session中给placeholder数据对象提供实际的数据

通过字典的方式，给placeholder数据对象赋值, 如下所示：

feed_dict = {a:[1,2,3],  b: [True, False]}

4.4 静态图对象

由于静态图示静态创建，不会编译器动态的创建与释放。

因此就可以通过代码，获取当前动图图的信息，并可以展现当前图中所有的运算。

即当前静态图中，所有的函数表达式以及他们之前的关系，这是动态图所不具备的一个特征！！

第5章 动态图和静态图的比较

	静态图	动态图
优点	执行效率高， 构图和Session的分离，可以通过程序获取静态图对象，并展现图中的各种运算，便于可视化调试。	使用简单、直观、程序员参与少 与其他语言在语言层面上的行为保持一致
缺点	编程不直观	执行效率不静态图低 无法获取程序中图的信息，不利于调试和可视化。
应用场景	模型部署	模型开发

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120401689