上章节对比了一下 numpy 和 tensorflow 的计算方式,这节来具体阐述一下tensorflow的工作原理:
Tensorflow是用数据流图(data flow graphs)技术来进行数计算的!!!
那么问题来了,啥是数据流图???(重要的问题问三遍)
数据流图(Data Flow Diagram):简称DFD,它从数据传递和加工角度,以图形方式来表达系统的逻辑功能、数据在系统内部的逻辑流向和逻辑变换过程,是结构化系统分析方法的主要表达工具及用于表示软件模型的一种图示方法。 —— [百度百科]
说的这么专业,这么抽象,还是用图解来说明问题:
图中,节点代表数学运算,边表示节点之间的某种联系,用来传输多维数据,而节点可以被分配到多个计算设备上,可以异步和并行地执行操作。因为图是有向图,所以计算按照指向有次序的进行。
(虽然图是我偷的,但是学习的心是真的)
下面用tensorflow来实现一下图上的计算方法:
import tensorflow as tf
# 创建占位对象X, Y
X = tf.placeholder("float", [None])
Y = tf.placeholder("float", [None])
# 设置会话
sess = tf.Session()
# 初始化
init = tf.initialize_all_variables()
sess.run(init)
# 构建计算表达式
Z = (2.2 - (X/11)) + (7 * tf.cos(Y))
# 传入参数启动会话完成计算, 这里令X = 1, Y = 2
print sess.run(Z, feed_dict={X: [1], Y: [2]})
# 得到结果
# [-0.80393696]
再使用numpy来验证一下结果是否正确
import numpy as np
print (2.2 - (1 / float(11)) + (7 * np.cos(2)))
# 得到结果
# -0.803936946739
这里对比 numpy 发现 tensorflow 计算是如此的麻烦, numpy 一行代码的事, tensorflow 居然要写那么多,本身 tensorflow 就是来解决大规模数据量计算的,杀鸡焉能用牛刀,这里与 numpy 对比只是为了更好的理解它的运行计算方式。