tensorflow基础知识 计算图 张量 会话session

1、tensorflow数据模型——张量

在tensorflow中所有的数据都通过张量的形式表示。

张量可以简单理解为多维数组：

• 标量是零维数组（零阶张量）。例如，\'Howdy\' 或 5
• 矢量或向量是一维数组（一阶张量）。例如，[2, 3, 5, 7, 11] 或 [5]
• 矩阵是二维数组（二阶张量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

张量可以作为常量或变量存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。

要定义常量，请使用 tf.constant 指令，并传入它的值。例如：

  x = tf.constant([5])   tf.constant('Hello, world!')

同样，您可以创建如下变量：

  y = tf.Variable([5])

2、计算模型——计算图

TensorFlow 图（也称为计算图或数据流图）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

tensorflow 的所有的计算都会转化成计算图上的节点

图必须在 TensorFlow 会话中运行，会话存储了它所运行的图的状态：

将 tf.Session() 作为会话：
  initialization = tf.global_variables_initializer()
  print y.eval()

3、运行模型——会话

会话拥有并管理Tensorflow程序运行时的所有资源，会话来执行之前定义好的运算。

总结

TensorFlow 编程本质上是一个两步流程：

1. 将常量、变量和指令整合到一个图中。
2. 在一个会话中评估这些常量、变量和指令。

实例：

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")


  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:

    print sum.eval()

参考：谷歌机器学习速成课程   TensorFlow书籍