TensorFlow北大公开课学习笔记-3.1张量计算图会话

注：本系列文章主要是复现北京大学TensorFlow笔记中的代码，方便以后使用，并没有详细讲解流程，因为我并不是专门做教程的。何况北大的教程讲的已经很好了，有需要了解详细过程的可以去看北大的教程哈。

一、基本概念
√基于 Tensorflow 的 NN： 用张量表示数据，用计算图搭建神经网络，用会话执
行计算图，优化线上的权重（参数），得到模型。
√张量：张量就是多维数组（列表），用“阶”表示张量的维度。

0 阶张量称作标量，表示一个单独的数；
举例 S=123
1 阶张量称作向量，表示一个一维数组；
举例 V=[1,2,3]
2 阶张量称作矩阵，表示一个二维数组，它可以有 i 行 j 列个元素，每个元素可
以用行号和列号共同索引到；
举例 m=[[1, 2, 3], [4, 5, 6], [7, 8, 9]]
判断张量是几阶的，就通过张量右边的方括号数， 0 个是 0 阶， n 个是 n 阶， 张
量可以表示 0 阶到 n 阶数组（列表）；
举例 t=[ [ [… ] ] ]为 3 阶。

√数据类型： Tensorflow 的数据类型有 tf.float32、 tf.int32 等。

举例
我们实现 Tensorflow 的加法：

import tensorflow as tf #引入模块
a = tf.constant([1.0, 2.0]) #定义一个张量等于[1.0,2.0]
b = tf.constant([3.0, 4.0]) #定义一个张量等于[3.0,4.0]
result = a+b #实现 a 加 b 的加法
print result #打印出结果

可以打印出这样一句话： Tensor(“add:0”, shape=(2, ), dtype=float32)，意思为 result 是一个名称为 add:0 的张量，shape=(2,)表示一维数组长度为 2，
dtype=float32 表示数据类型为浮点型

√计算图（Graph）： 搭建神经网络的计算过程，是承载一个或多个计算节点的一
张图，只搭建网络，不运算
举例
在第一讲中我们曾提到过，神经网络的基本模型是神经元，神经元的基本模型其
实就是数学中的乘、加运算。 我们搭建如下的计算图：

x1、 x2 表示输入， w1、 w2 分别是 x1 到 y 和 x2 到 y 的权重， y=x1w1+x2w2。
我们实现上述计算图：

import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果

可以打印出这样一句话： Tensor(“matmul:0”, shape(1,1), dtype=float32)，
从这里我们可以看出， print 的结果显示 y 是一个张量，只搭建承载计算过程的
计算图，并没有运算，如果我们想得到运算结果就要用到“会话 Session()”了。

√会话（Session）： 执行计算图中的节点运算。
举例对于刚刚所述计算图，我们执行 Session()会话可得到矩阵相乘结果：

import tensorflow as tf #引入模块
x = tf.constant([[1.0, 2.0]]) #定义一个 2 阶张量等于[[1.0,2.0]]
w = tf.constant([[3.0], [4.0]]) #定义一个 2 阶张量等于[[3.0],[4.0]]
y = tf.matmul(x, w) #实现 xw 矩阵乘法
print y #打印出结果
with tf.Session() as sess:
print sess.run(y) #执行会话并打印出执行后的结果

可以打印出这样的结果：

Tensor(“matmul:0”, shape(1,1), dtype=float32)
[[11.]]

我们可以看到，运行 Session()会话前只打印出 y 是个张量的提示，运行 Session()
会话后打印出了 y 的结果 1.03.0 + 2.04.0 = 11.0。

欢迎扫码关注我的微信公众号