TensorFlow 学习（四）—— computation graph

TensorFlow 的计算需要事先定义一个 computation graph（计算图），该图是一个抽象的结构，只有在评估（evaluate）时，才有数值解，这点和 numpy 不同。这张图由一组节点构成。

>> a = tf.ones((2, 2))
>> tf.reduce_sum(a, reduction_indices=1)
<tf.Tensor 'Sum_2:0' shape=(2,) dtype=float32>
>> tf.reduce_sum(a, reduction_indices=1).eval()
array([ 2.,  2.], dtype=float32)

0. 一个计算图实例

relu = tf.nn.relu(tf.matmul(w, x) + b)

1. TensorFlow 的计算机制

TensorFlow 程序一般可划分为两个流程：

• construction phase，构建过程，会构建出一个图（graph），即所谓的计算图（computation graph）
• evaluation phase，执行过程，使用 session 执行构建过程中生成的图中的操作；

2. placeholders：数据的读入

tf.convert_to_tenso() 接口可将 numpy 下的多维数组转化为 tensor，但该函数接收的数据不可规模化。

tf.placeholder() 提供了向计算图（computation graph）读入数据的入口点。

feed_dict关键字参数，类型为 Python 的字典类型，实现了 tf.placeholder() 变量向数据（numpy arrays）的映射。

>> input1 = tf.placeholder(tf.float32)
>> input2 = tf.placeholder(tf.float32)
>> output = tf.mul(input1, input2)
>> with tf.Session() as sess:
        print(sess.run([output], feed_dict={input1: [7.], input2: [2.]}))

3. tf.Graph() 图对象下的成员

• get_operations()：

  graph = tf.Graph()
  names = [op.name for op in model.graph.get_operations() if op.type=='Conv2D']

• tensor = tf.get_default_graph().get_tensor_by_name(tensor_name)

  • Get the tensor with this name.

转载于:https://www.cnblogs.com/mtcnn/p/9422024.html