【010】TensorFlow 基本使用总结

微信公众号：python宝
关注可了解更多的python相关知识。若有问题或建议，请公众号留言;

内容目录

一、TensorFlow简介
二、构建图
三、启动图
四、GPU 使用介绍
五、交互式使用
六、Tensor 和 tf.assign
七、常量、random_normal()和变量
八、Fetch 和 Feed
# http://www.tensorfly.cn/tfdoc/get_started/basic_usage.html

一、TensorFlow简介

  TensorFlow 是一个采用数据流图（data flow graphs），用于数值计算，数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。

       使用 TensorFlow, 必须明白 TensorFlow:

• 使用图 (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；

• 使用 tensor 表示数据；

• 通过 变量 (Variable) 维护状态；

• 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据；

        TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写)。一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor； 每个 Tensor 是一个类型化的多维数组.；例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]。

        一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动. 会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是 numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是tensorflow::Tensor 实例.

• “节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。图中的节点被称之为 op (operation 的缩写)。一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]。

• “线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。

二、构建图

  构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如常量 (Constant). 源 op 的输出被传递给其它 op 做运算。
  Python 库中, op 构造器的返回值代表被构造出的 op 的输出, 这些返回值可以传递给其它 op 构造器作为输入。