基础概念

编程模型

tensorflow是用数据流图做计算的。数据流图是由节点(node)和边(edge)组成的有向无环图(DAG），tensor代表了数据流图中的边，而flow代表了数据流图中节点的操作。

边

TensorFlow的边有两种连接关系：数据依赖和控制依赖。实线边表示数据依赖，虚线边表示控制依赖，可以控制操作的运行。张量再数据流图中从前往后流动一遍就完成了一次前向传播，而残差从前向后流动的一遍就完成了一次反向传播。

节点

图中节点又称算子，它代表一个操作(operation,OP),一般用来表示施加的数学运算，也可以表示数据的输入（feed in)的起点以及输出(push out）的终点，或者是读取/写入持久变量(persistent variable)的终点。

图

把操作任务描述成有向无环图。构建图的第一步是创建各个节点。

import tensorflow as tf

matrix1 = tf.constant([[3.,3.]])#创建一个一个常量1X2的矩阵

matrix2 = tf.constant([[2.],[2.]])#2X1的矩阵

product = tf.matmul(matrix1,matrix2)

会话

启动图的第一步是创建一个Session对象。会话（session）提供在途中执行操作的一些方法。一般模式是，建立会话，此时会生成一张空图，在会话中添加节点和边，形成一张图，然后执行。

设备

设备(device)是指一块可以用来运算并且拥有自己的地址空间的硬件，如GPU和CPU。Tensorflow可以制定操作在哪个设备上执行。

with tf.Session() as sess:
    with tf.device("/gpu:1")
        #这里写运算过程

变量

变量(variable)是一种特殊的数据，它在图中有固定的位置，不像普通的张量那样可以流动。创建一个变量张量，使用tf.Variable()构造函数，这个构造函数需要一个初始值，初始值的形状和类型决定了这个变量的形状和类型。

state = tf.Variable(0,name="counter")

TensorFlow还提供了填充机制，可以在构建图的时候使用，tf.placeholder()临时代替任意操作的张量，在调用Session对象的run()方法去执行图时，使用填充数据作为调用参数，调用结束后，填充数据就消失。

input1 = tf.palceholder(tf.float32)
input2 = tf.palceholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    print sess.run([output],feed_dict={input1:[5.],input2:[3.]})

TensorFlow 技术解析与实战