简述 TensorFlow 计算模型——计算图

Tensorflow 是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow 中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

一个计算图实例：

relu = tf.nn.relu(tf.matmul(w, x) + b)

TensorFlow 的计算机制

TensorFlow 中的 Tenso r表示张量（多维数组），TensorFlow 中的 Flow 表示张量之间通过计算流相互转换的过程。TensorFlow 的每一个计算都是图上的一个节点，节点之间的边描述了节点之间的依赖关系。

TensorFlow 程序一般分为两个阶段：

1. 构建过程：会构建出一个图（graph），即所谓的计算图（computation graph）;
2. 执行过程：使用 session 执行构建过程中生成的图中的操作。

代码示例：

import tensorflow as tf
#定义两个常量向量a b
a = tf.constant([1.0,2.0],name="a")
b = tf.constant([2.0,3.0],name="b")
#将两个向量加起来
result = a+b
#生成一个会话
sess = tf.Session()
#通过会话来计算结果
xxx = sess.run(result)
print(result)    #Tensor("add:0", shape=(2,), dtype=float32)
print(xxx)    #[ 3.  5.]
sess.close()

从程序运行截图可辅助理解 TensorFlow的 计算模型机制。张量中并没有真正的保存数字，它保存的只是如何得到这些数字的计算过程。例如实例代码中的 result 输出结果为Tensor(“add:0”, shape=(2,), dtype=float32)–add:0表示 result 这个张量是计算节点“add”输出的第一个结果；shape=(2,) 标识张量的维度信息，说明了张量 result 是一个一维数组，数组长度为2；dtype=float32 标识张量的类型为浮点型。

Tensorflow 是惰性求值，先构建好结构图（定义计算的过程），当需要知道结构图中具体的值时，才执行具体的计算。