TensorFlow入门

导学：介绍三部分内容

1. 计算模型

2. 数据模型

3. 运行模型

---

1.计算模型

       计算图：是TensorFlow中最基本的一个概念，所有计算都会被转化为计算图上的节点。

    1.1计算图的概念

    Tensorflow中的每一个计算，都是计算图中的一个节点。而节点之间的边描述了计算之间的依赖关系。

    1.2计算图的使用

     在TensorFlow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph（）函数可以获取当前默认的计算图。

     除了使用默认的计算图，支持通过tf.Graph()函数来生成新的计算图。不同计算图上的张量和运算都不会共享。

      eg：            g1 = tf.Graph()

                          with  g1.as_default():

                                   #在计算图g1中定义变量“v”，并设置初始值为0.

                                     v = tf.get_variable("v",shape = [1],initializer = tf.zeros_initializer)

 

                      #在计算图g1中读取变量v的值

                         with  tf.Session(graph = g1)  as sess:

                                  tf.global_variables_initializer().run()

                                  with tf.variable_scope("",reuse = True):

                                        #在计算图g1中，变量v的取值应该是0，所以下面这行会输出[0.]

                                         print(sess.run(tf.get_variable("v")))

  

---

2.数据模型--张量

     2.1张量的概念

         在TensorFlow中，所有数据都是通过张量的形式来表示。可以简单理解为多维数组。

         在张量中，并没有保存数字，保存的是如何得到这些数字的过程。

         eg：      result = tf.add(a,b,name= “add”)

                      print  result

                      '''

                      输出：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，标号从0开始。shape=(2,)说明张量result是一个一维数组，数组长度为2

                     '''

---

3.运行模型--会话

   前面介绍的是TensorFlow如何组织数据和运算的。本节介绍如何使用会话来执行定义好的运算。

   eg：              

#创建一个会话，并通过python中的上下文管理器来管理这个会话。

with tf.Session()  as  sess:

    #使用创建好的会话来计算结果

    sess.run(.....)

#当上下文退出时会话关闭和资源释放也自动关闭了

 

通过Python上下文管理器的机制，只要将所有的计算放在“with”内部就可以，当上下文管理器退出时自动释放资源。