Tensorflow基础（机器学习开源软件库）

说明：本文实例使用Python版本为3.5.6，Tensorflow版本为2.0

介绍

Tensorflow是Google推出的机器学习开源神器，对Python有着良好的语言支持，支持CPU，GPU和Google TPU等硬件，并且已经拥有了各种各样的模型和算法。目前，Tensorflow已被广泛应用于文本处理，语音识别和图像识别等多项机器学习和深度学习领域。

python开发IT技术交流群：887934385

基础框架

分为三层：应用层、接口层和核心层
应用层

提供了机器学习相关的训练库、预测库和针对Python、C++和Java等变成语言的编程环境，类似于web系统的前端，主要实现了对计算图的构造。

接口层

对Tensorflow功能模块的封装，便于其它语言平台的调用。

核心层

最重要的部分，包括设备层、网络层、数据操作层和图计算层，执行应用层的计算。

1.设备层

包括Tensorflow在不同硬件设备上的实现，主要支持CPU、GPU和Mobile等设备，在不同硬件设备上实现计算命令的转换，给上层提供统一的接口，实现程序的跨平台功能。

2.网络层

网络层主要包括RPC和RDMA通信协议，实现不同设备之间的数据传输和更新，这些协议都会在分布式计算中用到。

3.数据操作层

以tensor为处理对象，实现tensor的各种操作和计算。

4.图计算层

包括分布式计算图和本地计算图的实现，实现图的创建、编译、优化和执行等。

设计理念

可以将Tensorflow理解为一张计算图中“张量的流动”，其中，Tensor（张量）代表了计算图中的边，Flow(流动)代表了计算图中节点所做的操作而形成的数据流动。

其设计理念是以数据流为核心，当构建相应的机器学习模型后，使用训练数据在模型中进行数据流动，同时将结果以反向传播的方式反馈给模型中的参数，以进行调参，使用调整后的参数对训练数据再次进行迭代计算。

编程特点

有两个编程特点：

图的定义和图的运行完全分开

在tensorflow中，需要预先定义各种变量，建立相关的数据流图，在数据流图中创建各种变量之间的计算关系，完成图的定义，需要把运算的输入数据放进去后，才会形成输出值。

图的计算在会话中执行

tensorflow的相关计算在图中进行定义，而图的具体运行坏境在会话(session)中，开启会话后，才能开始计算，关闭会话就不能再进行计算了。

举个例子：

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

a = 3

b = 4

c = 5

y = tf.add(a*b, c)

print(y)

a = tf.constant(3, tf.int32)

b = tf.constant(4, tf.int32)

c = tf.constant