[概念]TF学习笔记day02 + 计算图 + 会话

一、第一个TF程序

无论学哪种语言的语法, 都要从helloworld开始抓起

第一部分

import 模块包含代码将使用的所有库，在目前的代码中只使用 TensorFlow，其中语句 import tensorflow as tf 则允许 Python 访问 TensorFlow 所有的类、方法和符号。

import tensorflow as tf

第二部分

创建想要的计算图

由于要打印的信息是一个常量字符串，因此使用 tf.constant：

message = tf.constant('helloworld!')

第三部分

通过会话执行计算图，这部分使用 with 关键字创建了会话，最后在会话中执行以上计算图

为了执行计算图，利用 with 语句定义 Session，并使用 run 来运行：

with tf.Session() as sess:
    print(sess.run(message).decode())

输出

helloworld!

二、计算图和会话

计算图

计算图包含节点和有向边, 用来表示神经网络,之所以用计算图来表示是因为它可以帮助复杂网络分散计算量,使其以最优效率运行

每个节点代表的不是单一的神经元, 而是张量和运算操作;同时,箭头不代表连接关系,而代表网络中的信息流

每个节点可以有零个或多个输入，但只有一个输出。

所以, 计算图定义神经网络的蓝图

会话

使用会话对象的run来实现计算图的执行

这里真正实现了运算操作并将信息从网络的一层传递到另外一层。不同张量对象的值仅在会话对象中被初始化、访问和保存。在此之前张量对象只被抽象定义，在会话中才被赋予实际的意义。

举个栗子

1、假设有两个向量 v_1 和 v_2 将作为输入提供给 Add 操作。建立的计算图如下：

这里有三个节点, 分别是向量v_1和向量v_2和Add操作符. 同时, 还有两条有向边,分别指向Add节点

注: 关于张量、向量、矩阵、标量的关系将在下一讲专门解释

2、定义该图的相应代码如下所示：

v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2) # 或者 v_add = v_1 + v_2

操作符仅仅是计算图上的节点, 所以在会话运行之前, 它们是不会执行的

3、然后在会话中执行这个图：

接下来，为了使这个图生效，首先需要使用 tf.Session() 定义一个会话对象 sess。然后使用 Session 类中定义的 run 方法运行它：

run(fetches,feed_dict=None,options=None,run_metadata)

代码如下:

with tf.Session() as sess:
    print(sess.run(v_add))

[3 3 8 7]

以上两行相当于下面的代码。上面的代码的优点是不必显式写出关闭会话的命令

sess = tf.Session()
print(sess.run(v_add))
sess.close() #需要显式写出关闭会话

[3 3 8 7]

请记住，每个会话都需要使用 close() 来明确关闭，而 with 格式可以在运行结束时隐式关闭会话

另外, 提取的值(fetches )不同运行的结果也会不同；在示例中，提取的张量为 v_add, 那么将对与 v_add 相关的张量和操作进行赋值。如果抽取的不是 v_add 而是 v_1，那么最后给出的运行结果会不同.

v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2) # v_add = v_1 + v_2
with tf.Session() as sess:
    print(sess.run(v_1))

[1 2 3 4]

同理

v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2) # v_add = v_1 + v_2
with tf.Session() as sess:
    print(sess.run(v_2))

[2 1 5 3]

此外，一次可以提取一个或多个张量或操作对象，例如，如果结果抽取的是 [v_1 v_2 v_add]，那么输出如下：

v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2) # v_add = v_1 + v_2
with tf.Session() as sess:
    print(sess.run([v_1,v_2,v_add]))

[array([1, 2, 3, 4], dtype=int32), array([2, 1, 5, 3], dtype=int32), array([3, 3, 8, 7], dtype=int32)]

三、扩展阅读

为什么必须编写这么多行的代码来完成一个简单的向量加，或者显示一条简单的消息。其实你可以利用下面这一行代码非常方便地完成这个工作：

print(tf.Session().run(tf.add(tf.constant([1,2,3,4]),tf.constant([2,1,5,3]))))

[3 3 8 7]

编写这种类型的代码不仅影响计算图的表达，而且当在 for 循环中重复执行相同的操作（OP）时，可能会导致占用大量内存。养成显式定义所有张量和操作对象的习惯，不仅可使代码更具可读性，还可以帮助你以更清晰的方式可视化计算图

使用TensorBoard可视化图形是 TensorFlow 最有用的功能之一，特别是在构建复杂的神经网络时。我们构建的计算图可以在图形对象的帮助菜单下进行查看。

如果你正在使用 Jupyter Notebook 或者 Python shell 进行编程，使用 tf.InteractiveSession 将比 tf.Session 更方便。InteractiveSession 使自己成为默认会话，因此你可以使用 eval() 直接调用运行张量对象而不用显式调用会话。下面给出一个例子：

sess = tf.InteractiveSession()

v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])

v_add = v_1 + v_2 # v_add = tf.add(v_1,v_2)

print(v_add.eval()) #不用显式调用会话

sess.close()

[3 3 8 7]

原文参考:http://c.biancheng.net/tensorflow/