TensorFlow基础概念（会话、常量、变量、占位符、tensorboard可视化）

1.TensorFlow运行模型–会话（session）
会话拥有并管理TensorFlow程序运行时的所有资源
当所有计算完成之后需要关闭会话帮助系统回收资源
会话的模式1

需要明确调用Session.close()函数来关闭会话并释放资源
当程序因为异常退出时，关闭会话函数可能就不会被执行从而导致资源泄露

利用try-except可以保证程序出现异常时会话正常关掉
会话的模式2

指定默认的会话
TensorFlow不会自动生成默认的会话，需要手动指定
当默认的会话被指定之后可以通过tf.Tensor.eval函数来计算一个张量的取值

在交互式环境下，python脚本或者Jupyter编辑器下，通过设置默认会话来获取张量的取值更加方便
tf.InteractiveSession使用这个函数会自动将生成的会话注册为默认会话

2.常量（constant）
在运行过程中值不会改变的单元，在TensorFlow中无序进行初始化操作
创建语句：constant_name=tf.constant(value)

3.变量（Variable）
在运行过程中值会改变的单元，在TensorFlow中需进行初始化操作
创建语句：name_variable=tf.Variable(value,name)
注意：V是大写字母
个别变量初始化：
init_op=name_variable.initializer()
所有变量初始化：
init_op=tf.global_variables_initializer()

变量赋值

• 与传统的编程语言不同，TensorFlow中的变量定义后，一般无需人工赋值，系统会根据算法模型，训练优化过程中自动调整变量对应的数值。比如在机器学习模型训练时，权重Weight变量w，经过多次迭代，会自动调整
• 特殊情况需要人工更新的，可用变量赋值语句
  变量更新语句：
  update_op=tf.assign(variable_to_be_updated,new_value)
  
  4.占位符（placeholder）
• TensorFlow中的Variable变量类型，在定义时需要初始化，但有些变量定义时并不知道其数值，只有当真正开始运行程序时，才由外部输入，比如训练数据，这时候需要用到占位符
• tf.placeholder占位符，是TensorFlow中特有的一种数据结构，类似动态变量，函数的参数、或者C语言或者Python语言中格式化输出时的“%”占位符
• TensorFlow占位符Placeholder，先定义一种数据，其参数为数据的type和shape
  占位符Placeholder的函数接口如下：
  tf.placeholder(dtype,shape=None,name=name)
  
  Feed提交数据
  如果构建了一个包含placeholder操作的计算图，当在session中调用run方法时，placeholder占用的变量必须通过feed_dict参数传递进去，否则报错
  
  多个操作可以通过一次Feed完成执行
  
  5.tensorboard可视化
• tensorboard是TensorFlow的可视化工具
• 通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态
• tensorboard和TensorFlow程序泡在不同的进程中
  启动TensorBoard
  TensorBoard不需要额外安装，在TensorFlow安装时已自动完成
  在Anaconda Prompt中先进入日志存放的目录（非常重要！！！），再运行tensorboard，并将日志的地址指向程序日志输出的地址
  命令：tensorboard --logdir=/path/log
  注意：启动服务的端口默认为6006；使用–port 参数可以改变启动服务的窗口
  
  生成的日志文件
  
  打开tensorboard
  
  通常将网址输入google chrome浏览器即可看到张量图表。但是也存在输入网址，返回网址拒绝我的请求，只需要在目录后加上“–host=127.0.0.1”即可
  
  
  tensorboard可视化结果
  
  tensorboard常用API