tensorflow随记 #1 基本概念 Graph图、Session会话、Tensor张量、Variables参数、Operation操作、feed&fetch

基本概念

几句定理，按照该思路可以较为形象的构建网络模型

• 用 $Graph$ 表示 计算
• 在 $Session$ 中 执行 $Graph$
• 用 $Tensor$ 表示 数据
• 用 $Variables$ 维护 状态
• 用 $feed$ 和 $fetch$ 传送 数据
• 以 $Operation$ 作为 节点

简单解释

可以通过一个简单操作对定理进行解释

比如说，我们需要对两个数进行一个加法操作，其中第一个加数需要自己输入。
显然，可以通过下图 $Graph$ 表示这个计算

按照定理，我们用 $Tensor$ 表示数据，并用 $Variables$ 维护状态*，由于是一维数据，也就是标量，所以可以这么描述 $num1$

num1 = tf.Variables(2)

那么，作为要输入的 $num2$，则需要用到传输数据的 $feed$ 操作，在 $feed$ 之前，需要对 $num2$ 进行一个定义，并用 $placeholder$ 进行占位，这里是整型，所以 $dtype=int32$

num2 = tf.placeholder("int32")

同样，作为节点的两个 $num$ 同样也是两个 $Operation$，可以简单地理解为赋值操作，作为最好理解的 $add$ $operation$ 节点，则可以这么描述

add = tf.add(num1, num2)

不难理解，这些节点中都保存着对应的数据，$num1\to 2$， $num2\to 4$，$add\to 6$，这些都数值可以通过$fetch$获得

经过上述操作，已经完成了图（计算）的构建，现在需要在 $Session$ 中执行计算
首先需要建立一个 $Session$，有两种建立方式，和文件读取一样

sess = tf.Session()
# todo: 
sess.close()

with tf.Session() as sess:
	# todo:

这里如果是tensorflow2，则需要

sess = tf.compat.v1.Session()

在建立了 $Session$ 后，需要有状态初始化的操作，使得 $num1=2,num2=4$

init = tf.global_variables_initializer()

在 $Session$ 中，对节点的运行，通过 $run$ 函数来进行，进行后自动返回可以 $fetch$ 的数值，其中，对于 $add$ 操作中，由于涉及使用了占位符的 $num2$，需要使用 $feed$ 操作对其进行赋值，这里用字典的形式进行操作。

sess.run(init)
sum = sess.run(add, feed_dict={num2: 4})
# sum = 6

这里放一下完整的代码

import tensorflow as tf

num1 = tf.Variable(2)
num2 = tf.placholder("int32")

add = tf.add(num1, num2)
init = tf.global_variables_initializer()

with tf.Session() as sess:
	sess.run(init)
	sum = sess.run(add, feed_dict={num2: 4})
	print(sum)

*如果不需要对 $num1$ 进行修改，就不需要维护状态了，只需要表示数据，所以也可以用

num1 = tf.constant(2)