TensorFlow 入门 | （一）基本知识详解

本文介绍TensorFlow的基本知识

一、TensorFlow 的认识
先来看下TensorFlow模块和一些APIs，简单了解一下

TensorFlow数据流图：
一种声明式编程方式，不同于命令式编程。不拘泥于内部具体的实现过程，而是模型化，结构化。两种编程方式的具体细节可自行百度。
TensorFlow数据流图如下所示，如果学过图论的话很很容易理解，最主要的两个概念就是“边”和“节点”

TensorFlow 数据流图的优势有以下几点：

• 并行计算快
• 分布式计算快
• 预编译优化
• 可移植性好

二、TensorFlow 张量

张量概念是矢量概念的推广，矢量是一阶张量。张量是一个可以用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数。在数学里，张量是一种几何实体，广义上表示任意形势的“数据”

0阶张量就是标量，一阶张量是向量，二阶张量是矩阵……。张量的阶描述它表示数据的最大维度。

在TensorFlow中，张量（Tensor）表示某种相同数据类型和多维数组
1. 数据类型（e.g.：float、int、string）
2. 数组形状（各个维度的大小）

所以张量到底是什么？

• 张量是用来表示多维数组的
• 张量是执行操作时的输入和输出数据
• 用户通过执行操作来创建或计算张量
• 张量的形状不一定在编译时确定，可以在运行时通过形状推断计算得出。

在TensorFlow中，有几类特别的张量，由如下操作产生：
• tf.constant //常量， 不会随计算过程变化
• tf.placeholder //占位符，可以简单理解为描述一个数据的壳，只有当数据流图外的数据填充进来/赋值时才有值，或者也可以覆盖掉之前的值。不同于常量那种固定不变的值。

三、TensorFlow 变量

TensorFlow变量（Variable）的主要作用是维护特定节点的状态，如深度学习或机器学习的模型参数。

比如神经网络中的权重W和偏置b

tf.Variable 方法是操作，返回值是变量（特殊张量）

通过tf.Variable方法创建的变量，与张量一样，可以作为操作的输出和输入。不同之处在于：

• 张量的生命周期通常随依赖的计算完成而结束，内存也随即释放。
• 变量则常驻内存，在每一步训练时不断更新其值，以实现模型参数的更新。

创建TensorFlow变量方式如下

import tensorflow