TF学习笔记1

一、关于TensorFlow的基本概念

TensorFlow的计算模型、数据模型、运行模型，主要是一些理论概念的整理。

1、TensorFlow的计算模型——计算图

Tensor—张量，即可简单理解为多维数组，表明其数据结构。

Flow—流，直观的表达了张量之间通过计算相互转化的过程，体现其计算模型。

TensorFlow—一个通过计算图的形式来表述计算的编程系统，TensorFlow中的每一个计算都会被转化为计算图上的一个节点，而节点之间的边表述了计算之间的依赖关系。

2、TensorFlow的数据模型——张量

即TensorFlow管理数据的形式。

在TensorFlow程序中，所有的数据都通过张量的形式来表示，可简单理解为多维数组。但张量在TF中的实现并不是直接采用数组的形式，它只是对TF中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

张量的使用有以下两类：

1）对中间计算结果的引用，主要是提高可阅读性，同时方便获取中间结果。比如在CNN中，卷积层或者池化层有可能改变张量的维度，通过result.get_shape函数来获取结果张量的维度信息可以免去人工计算的麻烦。

2）获得计算结果，即得到真实的数字。张量本身并没有存储具体的数字，但通过会话session就可以得到这些具体的数字。

3、TensorFlow的运行模型——会话

使用会话来执行定义好的运算。会话拥有并管理TF程序运行时的所有资源。

TF使用会话一般有两种模式：

1）明确调用会话生成函数和关闭会话函数

sess=tf.Session()//创建一个会话

sess.run()//使用会话得到运算结果

sess.close()//关闭会话，释放资源

由于该情况可能会出现异常退出导致无法执行关闭会话的函数，从而使资源泄露的问题。

解决方法：TF通过Python的上下文管理器来使用会话。

with tf.Session() as sess:

    sess.run(...)

2)通过设定默认会话计算张量的取值

sess=tf.Session()

with sess.as_default():

       print(result.eval())