TensorFlow基础入门概念

一.基本概念

TensorFlow是一个开源数据库，用于使用数据流图进行数值计算。图中的节点表示数学运算，而图边表示在它们之间传递的多维数据数组（张量，tensor）。

• 图（graph）来表示计算任务
• 在被称之为会话（Session）的上下文（context）中执行图
• tensor表示数据
• 使用feed和fetch可以为任意的操作赋值或从其中获取数据

图中的一个节点称之为op(operation),一个op可以获得0个或多个tensor，执行计算产生0个或多个tensor（一个n维的数组或列表），graph必须在Session中被启动。

二.主要数据结构—-张量

• 在tensorflow中，一个张量就是一个张量类的实例，是绑定了相关运算的一个特定类型的多维数组。
• 所有的张量都有一个静态的类型和动态的维数

1.张量的阶rank
阶为1的张量等价为向量，2为矩阵…
2.张量的形状shape
3.张量的数据类型type
4.创建新的张量
既可以从numpy中继承，也可以创建
tf.convert_to_tensor:该方法将python对象转化为tensor对象，他的输入可是tensor对象，numpy数组，Python列表和python标量

三.TensorFlow的数据流图

• 符号化的表示了模型的计算是如何工作的。
• 计算图（computing graph）通常并不需要直接构建Graph对象，而是由用户在创建张量（tensor）和操作（op)时自动创建的。
• 张量构造函数（如tf.constant()）将向默认的计算图添加必要的元素
  c=tf.matmul(a,b)创建一个matmul类型的操作
  tf.Operation.type 返回操作的类型
  tf.Operation.inputs 输入张量对象列表
  tf.Graph.get_operations() 计算图中的操作列表
  tf.Graph.version 返回计算图的版本信息

四、数据供给机制Feed

• 将feed的数据作为参数传入run函数
  最常见：tf.placeholder()创建特点的feed操作的方法

五、变量

• 特殊的操作，返回一个持久的、可变的张量句柄，存活于多次计算图执行之中。
• 模型的参数通常存储于常量中，在训练阶段被更新。
  tf.Variable()
• 所有的变量需要初始化
  tf.global_variables_initializer()

六、保存数据流图

协议缓存（protocol buffers）
tf.Graph.as_graph_def(from_version=None,add_shapes=False):返回一个序列化的计算图表示GraphDef。

七、运行我们的程序——会话

Session对象是运行环境的表示。
s = tf.Session().run()