TensorFlow学习笔记1

TensorFlow的解释及基本概念

Tensor就是张量，可以理解为多维数组，表示一种数据结构，Flow则表示一种计算模型，TensorFlow是一个通过计算图的形式来表达计算的编程系统。TensorFlow中的每一个计算都是计算图中的一个节点，而节点之间的边描述了计算之间的依赖关系。

下面是TensorFlow中有关计算图，张量，会话的基本概念。

计算图

在TensorFlow中，程序会自动维护一个默认的计算图，如果没有特殊指定，系统会自动将定义的计算加入默认的计算图中。
通过tf.get_default_graph()函数可以获取默认是计算图。如果有一个张量的引用a，可以通过a.graph来获取其计算图。
例如：

a = tf.constant([2,5],name="a")
print a.graph 
#输出<tensorflow.python.framework.ops.Graph object at 0x10542e8d0>
print tf.get_default_graph() 
#输出<tensorflow.python.framework.ops.Graph object at 0x10542e8d0>

除了使用默认的计算图，可以利用tf.Graph()函数来生成新的计算图，不同的计算图中的张量和计算都不能共享。
计算图可以通过device()函数来指定运行计算的设备。
例如：

g = tf.Graph()
with g.device(“/gpu:0”)
result = a + b

张量

一个张量有三个属性，比如a = tf.constant([3.0,4.0],name=”a”) ,
a 为一个张量，直接输出a， 结构为Tensor(“a:0”, shape=(2,), dtype=float32)
a有三个属性，name（名字）／ shape（纬度）／dtype（类型）。
第一个属性是name，通过node:src_output的形式给出，node为节点名称，src_output表示当前张量来自节点的第几个输出。
第二个属性是shape，shape=(2,)表示张量是一个一维数组，数组长度为2。
第三个属性是dtype，TensorFlow会对参与运算的所有张量进行类型检查，当发现类型不匹配时会报错。
张量有两个主要的作用:
(1)对中间结果的引用，比如a = tf.constant([3.0,4.0],name=”a”) ，a就是对constant函数的结果的引用.
(2)用于获取计算结果。例如tf.Session().run(result)

运行会话（session）

TensorFlow运行会话的方式有两种，一种是直接调用回话生成函数和关闭函数。
例如:

sess = tf.Session() #创建回话
sess.run() #得到运算结果
sess.close() #关闭回话，释放资源

为了避免run()函数异常退出，造成资源没有释放而泄露，利用python的上下文管理器在退出时来自动释放资源。
如：

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

通常情况下，TensorFlow会自动生成一个默认的计算图，如果没有特殊的指定，计算会自动加入这个计算图中，但是TensorFlow不会自动生成一个默认的会话，需要手动指定。当默认会话被指定之后，可以通过调用tf.Tensor.eval()函数来计算张量的取值。
例如：

sess = tf.Session()
with  sess.as_default():
    print(result.eval())