TensorFlow中最重要的两个概念：Tensor 和 Flow
Tensor就是张量，可以被简单地理解为多维数组；
Flow中文翻译成“流”，直观表达张量间通过计算相互转化的过程；
计算图
TensorFlow（以下简称为TF）中的计算以图数据流的方式表示，一个图包含一系列表示计算单元的操作对象，以及在图中流动的数据单元以tensor对象表现。
一些常用方法：
-
tf.get_default_graph()获取当前默认的计算图 -
tf.Graph()生成新的计算图 -
tf.Graph().device()指定运算设备（CPU、GPU）
张量（Tensor）
在TF程序中，所有的数据都通过张量（tensor）的形式来表示，张量可以简单的理解为多维数组。零阶张量表示标量（scalar）也就是一个数；第一阶张量为向量（vector）也就是一维数组；第n阶张量可以理解为一个n维数组。
但TF中的张量其实并没有真正保存数字，它保存的是如何得到这些数字的计算过程。
In [5]: a = tf.constant([1,2], name="a")
In [6]: b = tf.constant([3,4], name="b")
In [7]: result = tf.add(a, b)
In [8]: print(result)
Tensor("Add:0", shape=(2,), dtype=int32)
从上面的代码可以看出TF中的张量和Numpy中数组的不同，TF计算的结果保存了三个属性：名字（name）、维度（shape）、类型（type）
- 名字
- 维度
- 类型
会话（Session）
引用官方文档的一段话：
A Session object encapsulates the environment in which Operation objects are executed, and Tensor objects are evaluated.
翻译过来即一个Session对象将操作节点op封装在一定的环境内运行，同时tensor对象将被计算求值。
In [3]: # 创建一个会话
In [4]: sess = tf.Session()
In [5]: # 使用创建好的会话得到运算结果
In [6]: sess.run(result)
In [7]: # 关闭会话
In [8]: sess.close()
同时TF可以通过Python上下文管理器来使用会话，不需要显示关闭sess
网友评论