2.TensorFlow基础知识

1.TensorFlow简单基本概念

计算图                 使用图（graphs）来表示计算任务

会话(session)      在被称之为会话（Session）的上下文（context）中执行计算图

张量（tensor）   使用tensor表示数据

变量                    通过变量（Variable）维护状态

feed和fetch        使用feed和fetch可以为任意的操作赋值或者从其中获取数据

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op
（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。 Tensor 看作是
一个 n 维的数组或列表。图必须在会话（Session）里被启动。
如下图：

计算是从下向上来追踪数据流

2.TensorFlow 设计理念：

将图的定义和图的运行完全分开。TensorFlow 完全采用符号式编程。

　　　 符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后需要对数据流图进行编译，此时的数据流图还是一个空壳，里面没有任何实际数据，只有把需要的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。

如下图所示：定义了一个操作，但实际上并没有运行。

3.TensorFlow 各个概念：

　（1）边：TensorFlow 的边有两种连接关系：数据依赖（实线表示）和控制依赖（虚线表示）。实现边表示数据依赖，代表数据，即张量。任意维度的数据统称为张量。虚线边称为控制依赖，可以用于控制操作的运行，这类边上没有数据流过，但源节点必须在目的节点开始执行前完成执行。

　（2）节点：节点代表一个操作，一般用来表示施加的数学运算。

　（3）图：把操作任务描述成有向无环图。创建图使用 tf.constant() 方法：

a = tf.constant([1.0,2.0])

　（4）会话：启动图的第一步是创建一个 Session 对象。会话提供在图中执行操作的一些方法。使用 tf.Session() 方法创建对象，调用 Session 对象的 run()方法来执行图：

with tf.Session() as sess:
    result = sess.run([product])
    print(result)

　（5）设备：设备是指一块可以用来运算并且拥有自己的地址空间的硬件。方法：tf.device()

　（6）变量：变量是一种特殊的数据，它在图中有固定的位置，不向普通张量那样可以流动。使用 tf.Variable() 构造函数来创建变量，并且该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。

#创建一个变量，初始化为标量0
state = tf.Variable(0, name="counter")

　（7）内核：内核是能够运行在特定设备（如 CPU、GPU）上的一种对操作的实现。

 简单例子：

tf.Session

Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分，有两种使用Session的方式，我们可以从下面的例子中看出来,但在实际中，我们更推荐后者：

import tensorflow as tf

matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],[2]])

product = tf.matmul(matrix1,matrix2)

sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()


with tf.Session() as sess:
    result2 = sess.run(product)
    print(result2)

tf.Variable

在 Tensorflow 中，定义了某字符串是变量，它才是变量，这一点是与 Python 所不同的。定义语法： state = tf.Variable().如果你在 Tensorflow 中设定了变量，那么初始化变量是最重要的！！所以定义了变量以后, 一定要定义 init = tf.global_variables_initializer().到这里变量还是没有被激活，需要再在 sess 里, sess.run(init) , 激活 init 这一步.

import tensorflow as tf

#定义变量，给定初始值和name
state = tf.Variable(0,name="counter")
#counter:0
print(state.name)

one = tf.constant(1)

new_value = tf.add(state,one)
update = tf.assign(state,new_value)

#这里只是定义，必须用session.run来执行
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

TF placeholder

placeholder 是 Tensorflow 中的占位符，暂时储存变量.
Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据 sess.run(***, feed_dict={input: **}).

import tensorflow as tf

input1 = tf.placeholder(dtype=tf.float32)
input2 = tf.placeholder(dtype=tf.float32)

output = tf.multiply(input1,input2)

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