【TensorFlow 学习】TensorFlow 的一些基本概念

TensorFlow 的计算模型—计算图

TensorFlow 中的所有计算都会转化成计算图上的节点。

概念

1、Tensor：张量。——>多维数组
2、Flow：流。——>直观的表达张量之间通过计算相互转化的过程。
3、TensorFlow 是通过计算图的形式来表述计算的编程系统。
4、TensorFlow 的节点：表示一个计算。
5、TensorFlow 的边：表示计算之间的依赖关系。

使用

TensorFlow 的程序分为两个阶段：

• 第一个阶段 ：定义计算图中所有的计算
• 第一个阶段 ：执行计算

TensorFlow 的数据模型—张量

张量是 TensorFlow 中管理数据的形式。

概念

1、零阶张量：一个数，标量（scalar）。
2、第一阶张量：一个一维数组，向量（vector）。
3、第 n 阶张量：一个 n 维数组。

但是张量在 TensorFlow 中的实现不是直接采用数组形式， 而只是对TensorFlow 中计算结果的引用。
张量中并没有保存数，而是保存如何得到这些数字的计算过程。即是一个引用。

import tensorflow as tf;
# tf.constant 是一个计算，这个计算结果是一个张量，保存在变量 a 中
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([3.0,4.0],name="b")
result = tf.add(a,b,name="add")
print result
# 打印出来的结果是：
# Tensor("add:0", shape=(2,), dtype=float32)

一个张量结构：

       名字    维度   类型
Tensor(name, shape, type)

• 名字 (name —> node:src_output)：是一个张量的唯一标识符，并且也给出这个张量是如何计算出的。node 是节点的名称，src_output表示当前张量是节点的第几个输出。
• 维度 (shape)：描述一个张量的维度信息。shape=(2,)说明张量是一个一维数组，数组长度为 2。
• 类型 (type)：每个张量会有一个唯一的类型。参与运算的张量如果类型不匹配则会报错。

TensorFlow 有 14 中类型：
实数 (tf.float32、tf.float64)
整数 (tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8)
布尔型 (tf.bool)
复数 (tf.complex64、tf.complex128)

使用

张量使用主要总结为两大类：

• 第一类用途：使用张量记录并存储中间计算结果，a = tf.constant([1.0,2.0],name="a")。
• 第二类用途：当计算图构造完成之后，可以用来获取计算结果并得到真实数字。tf.Session().run(result)。

TensorFlow 运行模型— 会话

1、使用**会话（session）**执行定义好的计算。
2、当所有计算完成之后需要关闭会话来使系统回收资源，不然可能会出现资源泄露。

使用

TensorFlow 中使用会话的模式一般有两种：
1、第一种模式：需要明确调用会话生成函数和关闭会话函数。代码流程如下：

# 创建一个会话
sess = tf.Session();

# 使用这个创建好的会话来得到想要得到的运算的结果。
sess.run(...);

# 关闭会话释放资源
sess.close();

2、第二种模式：当程序因为异常退出时，sess.close()可能不会被执行而导致资源泄漏。为了解决异常退出时资源释放的问题，TensorFlow 可以使用 Python 的上下文管理器来使用会话。代码流程如下：

# 创建一个会话并通过 Python 上下文管理器来管理这个会话
with tf.Session() as sess:
	# 使用这个创建好的会话来计算想要的结果
	sess.run(...);

# 不需要再调用 Session.close() 函数来关闭会话
# 当上下文退出时会话关闭和释放资源会自动完成。