TensorFlow基本操作（二）

TensorFlow程序的基本结构包括计算图的定义及其执行

计算图的定义及执行

1.相关概念

• 计算图：是包含节点和边的网络
• 定义所要使用的数据，即张量（tensor）对象（常量、变量和占位符）
• 定义要执行的所有计算，即运算操作对象
• 节点表示对象（张量和运算操作），边表示运算操作之间流动的张量（计算图定义神经网络的蓝图，但其中的张量还没有相关的数值）
• 计算图的执行：使用会话对象来实现计算图的执行（不同张量对象的值仅在会话对象中被初始化、访问和保存。在此之前张量对象只被抽象定义，在会话中才被赋予实际的意义

2.实例（向量相加)

v1=tf.constant([1,2,3,4])
v2=tf.constant([2,1,4,3])
v_add=tf.add(v1,v2)#相加函数
#构建计算图
#也可以写成v1+v2
with tf.Session() as sess:
#创建会话
	print(sess.run(v_add))

最后两行也可以写成

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

第一种写法的优点是不用写关闭会话的命令
运行结果是两向量相加的结果

{3,3,7,7}

每个会话都需要使用 close() 来明确关闭，而 with 格式可以在运行结束时隐式关闭会话

• 运算结果的值在 fetches 中提取；在示例中，提取的张量为 v_add，即提取谁就打印谁
• 并且在同一段代码中，可以有多个会话对象，一次可以提取一个或多个张量或操作对象
  另外建议显式定义张量

拓展

如果你正在使用 Jupyter Notebook 或者 Python shell 进行编程，使用 tf.InteractiveSession 将比 tf.Session 更方便。InteractiveSession 使自己成为默认会话，因此你可以使用 eval() 直接调用运行张量对象而不用显式调用会话

sess=tf.InteractiveSession()
v1=tf.constant([1,2,3,4])
v2=tf.constant([2,1,4,3])
v_add=tf.add(v1,v2)
print(v_add.eval())
sess.close()