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()