Python-----深度学习（Tensorflow）

Tensorflow：

专门运算的操作节点被称之为OP（operation）

OP的类型有很多例如运算，赋值（在Tensorflow API下的函数都是OP）

图：代表了整个程序的结构

Tensor（张量）：指代的是数据

Tensorflow结构分为前端系统和后端系统。前端系统：定义程序图的结构；后端系统：运算图结构

会话：1. 运行程序的图   

           2. 分配资源计算，掌握资源

会话通过 tf.session()开启，只能运行一个图，指定图运行：tf.session(graph=)

会话通过上下文管理器来实现：

with tf.Session() as sess:

  sess.run(...)

会话运行的方法：

不是OP不能运行，只要有一部分是OP，那结果也是OP，也可以运行

• run(fetches, feed_dict = None, graph = None)

  运行ops和计算tensor

张量：

张量有三部分：名字，形状，数据类型

张量的阶：

张量的数据类型：

打印出来的形状表示 
0维：()   1维:(5)  2维：(5,6)   3维：(2,3,4)

形状改变：

动态形状和静态形状的区别：是否有新的张量生成

对于静态形状来说，一旦张量形状固定了，不能再次设置静态形状, 不能夸维度修改 1D->1D 2D->2D 

动态形状可以去创建一个新的张量,改变时候一定要注意元素数量要匹配 1D->2D 1->3D

静态形状：创建一个张量或者由操作推导出一个张量时,初始状态的形状

•tf.Tensor.get_shape:获取静态形状

•tf.Tensor.set_shape():更新Tensor对象的静态形状，通常用于在不能直接推断的情况下

 

动态形状：一种描述原始张量在执行过程中的一种形状

•tf.reshape:创建一个具有不同动态形状的新张量

变量：

变量也是op的一种，是一种特殊的张量

变量能够持久化保存，普通张量op不行

要想运行变量，需要先初始化：

init_op &