基本用法

TensorFlow使用图(graph)表示计算任务，图中的节点被称为op。一个Tensor一般为一个类型化的多维数组，一个op获得零个或多个数据(Tensor)后，在会话(session)的上下文(context)中将图的op分发给CPU或GPU，同时提供执行op的方法执行计算，结果产生零个或多个Tensor。使用Variable表示变量，用来维护状态。Fetch取回操作的输出内容，Feed可以对图中任意op操作直接插入一个tensor替换图中原有操作。

节点(operation)

节点被称之为op（节点也叫操作、算子，是operation的缩写）。一个op获得0个或多个tensor，执行计算产生0个或多个tensor

张量数据（tensor）

TensorFlow，字面意思就是张量的流动（flow），即保持计算节点不变，让数据进行流动。tensor是一个数据类型是一个多维数组

图（graph）

节点和边相互连接成计算图，一个计算图描述了一次计算过程。

会话（session）

计算图必须在会话里被启动。会话将计算图的op分发到诸如CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的tensor返回。
在Python语言中, 返回的tensor是numpy ndarray对象；
在C和C++语言中，返回的tensor是tensorflow Tensor实例。

详细说明

构建图

构建图的第一步, 是创建源 op (source op). 源 op 不需要任何输入, 例如 常量 (Constant). 源 op 的输出被传递给其它 op 做运算。

import tensorflow as tf

# ---------------- 构建图 ----------------
# 1*2常量矩阵op
matrix1 = tf.constant([[3., 3.]])
# 2*1常量矩阵op
matrix2 = tf.constant([[2.], [2.]])
# matmul矩阵乘法op
product = tf.matmul(matrix1, matrix2)

启动图

图的启动只能在Session中启动计算，无任何创建参数, 会话构造器将启动默认图。tf.device("/gpu:1")用于指派使用GPU进行计算。

# ---------------- 启动图 ----------------
# 会话session启动
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
result = sess.run(product)
print(result)

# 任务完成关闭会话
sess.close()

Session 对象在使用完后需要关闭以释放资源. 除了显式调用 close 外, 也可以使用 "with" 代码块 来自动完成关闭动作.

with tf.Session() as sess:
  result = sess.run([product])
  print result

数据类型和操作

张量-Tensor

张量tensor是一个n维的数组或列表，有一个静态类型和动态类型的维数。张量可以在图中的节点之间流通。
TensorFlow 文件编制中通过三种符号约定来描述张量维度（Shape）：阶，形状和维数。
张量的阶：与矩阵的阶不同，张量的阶仅是张量维数的一个数量描述。
0阶 -> 纯量(常量数字，只有大小) -> a = 483
1阶 -> 向量(线，有大小和方向) -> b = [1, 2, 3]
2阶 -> 矩阵(二维平面，数据表，矩阵) -> c = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3阶 -> 立体(三维数据，立方矩阵) -> [[[1], [2], [3]], [[4], [5], [6]], [[7], [8], [9]]]
更高阶…
张量的形状：张量的形状是每个维度中元素的数量。TensorFlow 在图的构建过程中自动推理形状。这些推理的形状可能具有已知或未知的阶。如果阶已知，则每个维度的大小可能已知或未知。

张量的数据类型

数据类型	Python类型	描述
DT_FLOAT	tf.float32	32位浮点数
DT_DOUBLE	tf.float64	64位浮点数
DT_INT8	tf.int8	8位有符号整形
DT_INT16	tf.int16	16位有符号整形
DT_INT32	tf.int32	32位有符号整形
DT_INT64	tf.int64	64位有符号整形
DT_UINT8	tf.uint8	8位无符号整形
DT_STRING	tf.string	可变程度的字节数组，每一个张量元素都是一个字节数组
DT_BOOL	tf.bool	布尔型
DT_COMPLEX64	tf.complex64	复数: 由两个32位浮点数组成
DT_QINT8	tf.qint8	用于量化Ops的8位有符号整形
DT_QINT32	tf.qint32	用于量化Ops的32位有符号整形
DT_QUINT8	tf.quint8	用于量化Ops的8位无符号整形

变量-Variables

创建一个变量tf.Variable，变量维护图执行过程中的状态信息，tf.assign真正执行赋值操作

# 创建一个变量并初始化为标量 0
state = tf.Variable(0, name="counter")

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

init = tf.initialize_all_variables()

with tf.Session() as _sess:
    _sess.run(init)
    print(_sess.run(state))
    for _ in range(3):
        _sess.run(update)
        print(_sess.run(state))

Fetch

取回操作的输出内容

input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
intermed = tf.add(input2, input3)
mul = tf.multiply(input1, intermed)

with tf.Session() as sess:
    result = sess.run([mul, intermed])
    print(result)

Feed

feed 机制可以临时替代图中的任意操作中的 tensor 可以对图中任何操作提交补丁, 直接插入一个 tensor。feed 只在调用它的方法内有效, 方法结束, feed 就会消失。最常见的用例是使用 tf.placeholder() 为操作标记创建占位符

input4 = tf.placeholder(tf.float32)
input5 = tf.placeholder(tf.float32)

output = tf.add(input4, input5)

with tf.Session() as sess:
    print(sess.run([output], feed_dict={input4: [7.], input5:[2.]}))

常见错误

1. module 'tensorflow' has no attribute
   如果你是参考TensorFlow中文社区的学习教程，一定是你经常看到的错误，原因是新版本的TensorFlow修改了许多函数的名字，本文示例已经修正，不完全整理如下

tf.sub()更改为tf.subtract()
tf.mul()更改为tf.multiply()
tf.types.float32更改为tf.float32
tf.pact()更改为tf.stact()