Tensorflow学习笔记-第二节程序结构

TensorFlow程序分为两个独立的部分：

1. 构建任何拟创建神经网络的蓝图
2. 计算图的定义及其执行

计算图：

计算图是包含节点和边的网络。本节定义所有要使用的数据，也就是张量（tensor）对象（常量、变量和占位符），同时定义要执行的所有计算，都是运算操作对象（Operation Object，简称 OP）。

计算图中的节点就是操作

1. 一次加法是一个操作
2. 一次乘法也是一个操作
3. 构建一些变量的初始值也是一个操作

网络中的节点表示对象（张量和运算操作），边表示运算操作之间流动的张量

TensorFlow有两种边：
常规边（实线）：代表数据依赖关系。一个节点的运算输出成为另一个节点的输入，两个节点之间有tensor流动（值传递)）
特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。比如，happens-before关系，表明源节点必须在目的节点执行前完执行

计算图的执行：

使用会话对象来实现计算图的执行。会话对象封装了评估张量和操作对象的环境。这里真正实现了运算操作并将信息从网络的一层传递到另外一层。不同张量对象的值仅在会话对象中被初始化、访问和保存。在此之前张量对象只被抽象定义，在会话中才被赋予实际的意义。

简单实例–向量相加

程序模版

# -*- coding:utf-8 -*-
import tensorflow as tf
def main():
    pass
if __name__=='__main__':
    main()

# -*- coding:utf-8 -*-
import tensorflow as tf

def add_test():
    a=tf.constant([1,2,3,4],name='a')
    b=tf.constant([1,2,3,4],name='b')
    Sum=tf.add(a,b,name='Sum')
    with tf.Session() as sess,tf.summary.FileWriter('./log',sess.graph) as writer:
        #打印计算结果
        print(sess.run(Sum))
        #显示计算图：tensorboard --logdir=log --host=127.0.0.1
        # writer=tf.summary.FileWriter('./log',sess.graph)
        writer.flush()
        # writer.close()

def main():
    add_test()
if __name__=='__main__':
    main()

结果

分析：

在实例中，计算图由三个节点组成， a 和 b表示这两个向量，add 是要对它们执行的操作。
为了使这个图生效，首先需要使用 tf.Session() 定义一个会话对象 sess，然后使用 Session 类中定义的 run 方法运行它

run(fetches,feed_dict=None,options=None,run_metadata)
#运算结果的值在 fetches 中提取

在示例中，提取的张量为 Sum。
run ()方法将导致在每次执行该计算图的时候，都将对与 Sum相关的张量和操作进行赋值。如果抽取的不是 Sum而是 a，那么最后给出的是向量 a的运行结果为：[1,2,3,4]；
此外一次也可以提取一个或多个张量或操作对象[a,b,Sum]；在同一段代码中也可以有多个会话对象。

with语法：

with expression [as target]:
        with-body

expression是任意表达式，获取上下文管理器，as target可选，with-body是with语句的语句体

with通过__enter__方法初始化，然后在__exit__中做善后以及处理异常。所以使用with处理的对象必须有__enter__()和__exit__()这两个方法。其中__ enter__()方法在语句体（with语句包裹起来的代码块）执行之前进入运行，__ exit __()方法在语句体执行完毕退出后运行。

expression 要返回一个上下文管理器对象，该对象并不赋值给 as 子句中的 target ，如果指定了 as 子句的话，会将上下文管理器的 __enter__方法的返回值赋值给 target。target 可以是单个变量，或者由“()”括起来的元组。不管执行体语句中是否有异常，with语句都能保证执行完毕后关闭打开的句柄。

with tf.Session() as sess,tf.summary.FileWriter('./log',sess.graph) as writer:

expression可以有多个，相同效果可以用嵌套with语句来实现

    with tf.Session() as sess:
        #打印计算结果
        print(sess.run(Sum))
        #显示计算图：tensorboard --logdir=log --host=127.0.0.1
        with tf.summary.FileWriter('./log',sess.graph) as writer:
            writer.flush()

InteractiveSession 和 Session的区别：

tf.InteractiveSession()：是一种交替式的会话方式，它让自己成为了默认的会话，也就是说用户在单一会话的情境下，不需要指明用哪个会话也不需要更改会话运行的情况下，就可以运行起来，结果就是运行run和eval()函数可以不指明session

tf.Session()：运行run和eval()函数需要指明session。

tf.InteractiveSession():它能让你在运行图的时候，插入一些计算图，这些计算图是由某些操作(operations)构成的。这对于工作在交互式环境中的人们来说非常便利，比如使用IPython。

tf.Session():需要在启动session之前构建整个计算图，然后启动该计算图

sess=tf.InteractiveSession()
print(Sum.eval())

与下面等价

sess=tf.Session()
with sess as default:
    print (Sum.eval())