TensorFlow(二) 基本用法

一. 概述

1. 使用图（graph）来表示计算任务

2. 在被称为会话（session）の上下文中执行图

3. 使用张量（tensor）表示数据

4. 使用变量（variable）维护状态

5. 使用 feed 和 fetch 为任意的操作赋值或从中获取数据

TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (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 . 每个 Tensor 是一个类型化的多维数组 . 例如 , 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels].

TensorFlow 图是一个计算的过程の描述。为了进行计算，图必须在会话里被启动。会话将图的 op 分发到诸如 CPU 或 GPU 之类の设备上，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 的 ndarry 对象，在 C 和 C++ 语言中, 返回的 Tensor 是 tensorflow::Tensor 实例。

二. 综述

构建图和执行图

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段, op的执行步骤 被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op.

例如, 通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op.

 import tensorflow as tf
 
 # 构建阶段
 state = tf.Variable(1, name="counter")
 one = tf.constant(1)
 new_value = tf.add(state, one)
 update = tf.assign(state, new_value)
 init_op = tf.initialize_all_variables()
 
 # 执行阶段
 with tf.Session() as sess:
     sess.run(init_op) # 启动图时候，变量必须先经过初始化
     print sess.run(state)
     for _ in range(3):
         sess.run(update)
         print sess.run(state)

输出： 1 2 3 4 

代码中 assign() 操作是图所描绘的表达式的一部分，同 add() 一样，再调用 run() 执行表达式之前，并不会真正执行赋值操作。

扩展到神经网络，可以将一个神经网络的权重作为某个变量存储在一个 Tensor 中，在训练过程中，通过重复运行训练图，更新这个 Tensor .

三. 一些特点

1. 高效：

为了用 python 实现高效的数值计算，通常用函数库，比如Numpy函数库会把类似矩阵乘法这样的复杂运算使用其他外部语言来实现

（Numpy 是用 C 实现的一个用于数字和矩阵计算的函数库），但是从外部计算切换回 Python 的每一个操作，仍然是一个很大的开销，如果用 GPU or/and 分布式来进行外部运算，这样的开销会更大 。

TensorFlow 为了避免上述的开销，不单独进行单一的复杂计算, 而是让我们先用图描述一系列可交互的计算操作，然后一起在python之外运行。