tensorflow实战

一、Tensorflow计算模型——计算图

计算图是Tensorflow中最基本的一个概念。Tensorflow中所有计算都会被转化为计算图上的结点。

1.1计算图概念

Tensorflow——可以拆分为：tensor与flow。

tensor（张量）：可以简单理解为多维数组

flow（流）：表达了张量之间通过计算相互转化的过程。

Tensorflow实际上是一个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上的一个节点，节点之间的边描述了计算之间的依赖关系。

例图：图中的每一个节点都是一个运算，而每一条边代表了计算之间的依赖关系，如果一个运算依赖于另一个运算的输出，即可说明两个运算有依赖关系。

1.2计算图的使用

代码：

代码说明：

以上代码产生了两个计算图，每个计算图定义了一个名为"v"的变量，在计算图1中被初始化为0，在计算图2中被初始化为1.因此可以看到在运行不同计算图时，张量v的值也是不一样的。Tensorflow中的计算图不仅可以隔离张量计算，还提供了管理张量和计算的机制，计算图可以通过tf.Graph.device函数来指定运算计算上的设别，这为Tensorflow使用GPU提供了机制。

二、Tensorflow数据类型——张量

张量时Tensorflow管理数据的形式。

2.1张量的概念

在Tensorflow程序中，所有的数据都是通过张量的形式表示。从功能的角度上看，张量可以被简单理解为多维数组。其中0阶张量表示标量（即一个数），一阶张量为向量，也就是一个一维数组；第n阶张量可以理解为一个n维数组。

但在Tensorflow中，张量的表现并不是直接采用数组的形式，它只是对Tensorflow中运算结果的引用。在张量中并没有真正保存数字，保存的是如何得到这些数字的计算过程。

例如：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
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)

输出：

Tensor("add_2:0", shape=(2,), dtype=float32)

分析：Tensorflow计算结果不是一个具体的数字，而是一个张量的结构。张量中保存了三个属性：名字（name)、维度(shape)、类型(type)。

• name:张量的唯一标识符，给出了这个张量是如何计算出来的。（联系上一节讲到的图）计算图中每一个节点代表了一个计算，计算的结果保存在张量中，所以张量和计算图上的所代表的计算结果是一一对应的，张量的命名通过：node:src_output的式给出。其中node是节点的名称，src_output表示当前张量来自节点的第几个输出。例如上例中的"add:0"则表示张量来自add节点的第一个输出。
• shape:数据的维度信息,(2,)表示的该张量result是一个一维数组，长度为2
• type:张量的数据类型（注：不同数据类型进行计算时会报错，例如float64和int32计算时会报错）

2.2 张量的使用

优点：

第一类：

• 通过张量来引用计算的中间结果可以使代码的可阅读性大大提升
• 通过张量来存储中间结果可以方便获取中间结果。

第二类：

• 当计算图构造完成之后，张量可以用来获取结果（即真实的数字）

2.3 会话(session)

会话用于哦并管理Tensorflow程序运行时的所有资源。所有计算万层之后便会需要关闭会话来帮助系统回收资源，否则会出现资源泄露的问题。

Tensorflow中使用的会话模式一般有两种，第一种使需要明确调用会话生成函数和关闭会话函数，其代码流程如下：

# 创建一个会话。
sess = tf.Session()
# 使用这个创建好的会话来得到关心的运算结果。比如：sess.run(result)--(存疑，因为我自己调用没有得到任何结果)
sess.close()

一般使用这种模式时，在所有计算完成之后，需要明确调用Session.close()函数来关闭会话释放资源。

另外一种——使用python的上下文管理器的机制，将所有的计算放在"with"的内部即可。当上下文管理器退出时会自动释放所有资源，这样既解决了因为异常退出时资源释放的问题，同时也解决了忘记调用Session.close()函数而产生的资源泄露。

待更新…