基本概念

一、计算模型——计算图

1.1基本概念

1. 计算图是Tensorflow最基本的概念，Tensorflow中所有的计算都会转为计算图上的节点。
2. 张量Tensor，可以理解为多维数组（0-d tensor：标量，1-d tensor：向量，2-d tensor：矩阵）表明了数据结构。
3. 流flow，体现了计算模型（张量之间通过计算相互转换的过程）。Tensorflow每个计算都是计算图上的节点，节点之间的边描述了计算之间依赖关系。

1.2 基本过程

1. 定义计算图中所有计算
2. 执行计算

1.3使用默认计算图

# 引入TensorFlow
import tensorflow as tf

# 定义两个张量
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")

# Tensorflow会自动将定义的计算转为计算图上的节点
result = a + b

# 系统会自动维护一个默认的计算图
# 可以通过tf.get_default_graph获取当前默认计算图
#通过a.graph可以查看张量所属的计算图。因为我们没指定，所以是默认计算图
print(a.graph is tf.get_default_graph)

1.4生成新的计算图

注：不同的计算图张量和运算都不会共享

import tensorflow as tf

# 生成新的计算图
g1 = tf.Graph()
# 设为默认
whith g1.as_default():
    # 在计算图上定义变量'v'，并且初始化为0
    v = tf.get_variable('v', initializer=tf.zeros_initalizer()(shape=[1]))

g2 = tf.Graph()
whith g2.as_default():
    # 另一个计算图上定义变量'v'，初始化为1
    v = tf.get_variable('v', initializer=tf.ones_initializer()(shape=[1]))

# 读取g1上的变量
whith tf.Session(graph=g1) as sess:
    # 初始化图上的变量
    tf.global_variables_initializer().run()
    # 退出变量作用域（返回上层）并开启变量复用
    whith tf.variable_scope("", reuse=True):
        # 输出0
        print(sess.run(tf.get_variable("v")))

# 在计算图 g2 中读取变量'v'的取值
with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        #输出为 1
        print(sess.run(tf.get_variable("v")))

1.5指定运行计算的设备

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

1.6常用集合

Tensorflow的图可以有效管理资源（张量、变量等）。其中自动维护的集合就是访问这些资源的有效手段

集合名	集合内容	使用场景
tf.GraphKeys.VARIABLES	所有变量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可学习的变量（一般指神经网络的参数）	模型迅雷、生成可视化内容
tf.GraphKeys.SUMMARIES	日志生成相关的张量	TensorFlow计算可视化
tf.GraphKeys.QUEUE_RUNNERS	处理输入的QuecueRunner	输入处理
tf.GraphKeys.MOVING_AVERAGE_VARIABLES	所有计算了滑动平均值的变量	计算变量滑动平均值

二、数据类型——张量

2.1概念

1. 张量可以简单理解为多维数组（矩阵），零阶表示标量（scalar），一节代表向量（vector），n阶代表矩阵。
2. 张量并没有保存具体数字，保存的是的到这些数字的计算过程

2.2创建张量

import tensorflow as tf
# tf.constant是一个计算，这个计算的结果为一个张量，保存在a中
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([2.0, 3.0], name='b')
result - tf.add(a, b, name='add')
print(result)
# Tensor("add_2:0", shape=(2,), dtype=float32)

1. 计算结果也是一个张量
2. 张量的结构中有三个要素，名字（name是唯一标准）、维度（shape）、类型（type）
3. 张量可以通过'node:src_output'的形式命名，其中node为节点名称，src_output表示当前张量来自节点的第几个输出。shape=(2,)是张量的维度信息，这个说明result是一个一维数组，且数组长度是2。第三个是类型，每个张量都有唯一的类型，Tensorflow的计算类型必须相同。

类型不匹配的例子

import tensorflow as tf
a = tf.constant([1, 2], name='a')
b = tf.constant([2.0, 3.0], name='b')
result = a + b
#类型不匹配报错：
#ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: 
#'Tensor("b_1:0", shape=(2,), dtype=float32)'

2.3tf.constant

用于计算得出张量的方法，原型如下

tf.constant(
    value,
    dtype=None,
    shape=None,
    name='Const',
    verify_shape=False
)

value是必填的

value的数量必须小于shape代表的矩阵最大承受数量，少于则会用最后一个值填充

tf.constant([1, 2, 3, 4, 5, 6], shape=[2, 3])

2.4tf.Variable

tf.Variable的运算结果也是一个张量

# 使用正态分布的方式创建一个2*3的矩阵，随机元素标准差为2
tf.Variable(tf.random_normal([2,3], stddev=2))

2.5张量的作用

1. 对中间计算结果的引用，提高代码可读性
2. 计算图构造完成后，张量用来计算结果

三、运行模型——会话

Tensorflow中的会话（session）是来执行定义好的运算

with tf.Session() as sess:
    #使用创建好的会话来计算关心的结果(默认图)
    sess.run()

tf.Tensor.eval函数可以计算一个张量的取值

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

#下面代码和上面功能相同
sess = tf.Session()
#下面两个命令相同
print(sess.run(result))
print(result.evsl(session=sess))
sess.close()   #书本上没有这句

tf.InteractiveSession函数可以省去将产生的会话注册为默认会花的过程。

#交互式环境下直接构建默认会话
sess = tf.InteractiveSession()
print(result.eval())
sess.close()