【TensorFlow2】从张量Tensor、图Graph、操作Operation到模型Model与层Layer

张量Tensor、图Graph、操作Operation、会话Session

张量Tensor是TensorFlow的基本数据结构。张量在概念上等同于多维数组，Tensorflow的张量和numpy中的array很类似。从行为特性来看，有两种类型的张量，常量constant张量和变量Variable张量。.
接下来看这张图：

如图所示，张量[5, 3]进入节点a，分别流向了节点b、c进行prod和sum两个操作，结果15和8又同时流入节点d进行add操作，最后输出结果23。由此发现，图Graph实际上是一个由数据流图表示的计算过程，即张量Tensor在图Graph中的流动过程。而每一个节点便对应一个操作Operation。
包括生成张量Tensor在内，上图包括abcd四个操作，代码表示为：

import tensorflow as tf

a = tf.constant([5, 3], name='input_a')
b = tf.reduce_prod(a, name='prod_b')
c = tf.reduce_sum(a, name='sum_c')
d = tf.add(b, c, name='add_d')

再提一下会话Session，其作用是分配CPU或GPU资源来运行一张图Graph。一个会话Session的目的简单来说就是操作Operation的执行和张量Tensor的计算。

需要注意的是，TensorFlow2.0版本后已经取消了Session模块，并且不需要新建图Graph再新建会话Session来运行，便可以像普通Python代码一样运行 。这种模式便是“动态图模式”，即所谓的Eager Excution。

模型Model与层Layer

层Layer将各种计算流程和变量进行了封装（例如基本的全连接层，CNN 的卷积层、池化层等），而模型Model则将各种层进行组织和连接，并封装成一个整体，描述了如何将输入数据通过各种层以及运算而得到输出。

在 TensorFlow 中，通常使用 Keras（ tf.keras ）构建模型。Keras 是一个广为流行的高级神经网络 API，简单、快速而不失灵活性，现已得到 TensorFlow 的官方内置和全面支持。
Keras 在tf.keras.layers 下内置了深度学习中大量常用的的预定义层，同时也允许我们自定义层。
Keras 模型以类的形式呈现，我们可以通过继承 tf.keras.Model这个 Python 类来定义自己的模型。在继承类中，我们需要重写 init()（构造函数，初始化）和 call(input) （模型调用）两个方法，同时也可以根据需要增加自定义的方法。
模型类定义示意图：

代码示意：

class MyModel(tf.keras.Model):
    def __init__(self):
        super().__init__()     # Python 2 下使用 super(MyModel, self).__init__()
        # 此处添加初始化代码（包含 call 方法中会用到的层），例如
        # layer1 = tf.keras.layers.BuiltInLayer(...)
        # layer2 = MyCustomLayer(...)
 
    def call(self, input):
        # 此处添加模型调用的代码（处理输入并返回输出），例如
        # x = layer1(input)
        # output = layer2(x)
        return output
 
    # 还可以添加自定义的方法