我的tensorflow学习笔记（1）

主要参考：stanfordCS20 ；tensorflow官方文档

一、graph和session

    tensorflow将运算的定义与执行分开，采用graph（图）来表示计算任务，在session（会话）中执行图中定义的操作。

二、tensor

    tensorflow中使用tensor（张量）来表示数据。所谓的tensor，就是n维数组。

    0-d:scalar,数字；1-d:vector；2-d：matrix

三、获取运算结果

    定义了一系列操作后，并不能直接获取想要的值，必须启动session。session封装了一个执行操作，给张量赋值的环境，同时给现在的变量分配内存。在Python中，启动session通常有两种方法：

第一种方法：

sess=tf.Session() 
print(sess.run(a))
sess.close()

第二种方法：

with tf.Session() as sess:
  print(sess.run(a))

    session会给graph赋值，计算所有指向a的节点，找到a的值。因此如果此前定义了无关变量，则在这个session中不参加运算。

四、分布计算

    将一个图分成多个子图，在不同的GPU/CPU上计算是可行的。指定运算单元的方法如下：

# Creates a graph.
with tf.device('/gpu:2'):
  a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], name='a')
  b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], name='b')
  c = tf.multiply(a, b)

# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

# Runs the op.
print(sess.run(c))

• "/cpu:0": 机器中的 CPU
• "/gpu:0": 机器中的 GPU, 如果你有一个的话.
• "/gpu:1": 机器中的第二个 GPU, 以此类推...

    尽量不要建立多个图，而是在一个图中建立无联系的子图。

五、为什么使用图

    1、节约计算资源。只计算需要的子图。

    2、将计算分为小的、可微分的片段以促进auto-differentiation（自动微分运算）

    3、使分布计算更容易实现

    4、许多机器学习模型使用图来可视化