tensorflow学习笔记（1）：基础元素

如果你想使用TensorFlow，你需要了解它的基本元素和运行方式：

• 使用计算图（graph ) 定义计算任务

• 在被称之为会话 (Session) 的上下文 (context) 中，运行计算图（graph）

• 使用张量（tensor）表示数据

• 通过变量（Variable）维护状态

• 使用注入（feed）为任意操作(arbitrary operation) 赋值，使用取回（fetch）从任意操作中获取数据

TensorFlow是一个编程系统，结合下图，我们从基本元素开始说起。

1. 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。

2. 边（tensor）

TensorFlow，字面意思就是张量的流动（flow）。计算图的一条边，就是一个tensor。而张量的流动则是指保持计算节点不变，让数据进行流动。tensor是一个数据类型的一维、二维、三维、四维等多维数组。例如，你可以把一组图像集表示为一个四维浮点数的数组，这四个维度分别是 [batch, height, width, channels]。

3. 计算图（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。

这是一个声明式的编程方式，如同做菜，我们需要先把主材和佐料都准备好，才能添油烹制。TensorFlow的计算方式也是如此。在构建阶段，我们需要把网络（如神经网络）以计算图的形式构建出来，接着启动会话（session），运行先前构建的图，得到目标结果。

4. 会话（session）

使用TensorFlow编写的程序，通常被组织成一个构建阶段和一个运行阶段：在构建阶段，操作的执行步骤被描述成一个计算图；在运行阶段，使用会话执行计算图中的操作。

为了得到结果，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。

5. 数据结构tensor

TensorFlow使用张量的数据结构表示所有数据。在计算图中，操作间传递的数据都是tensor。你可以把tensor看作一个n维的数组或列表。一个tensor包含一个静态类型rank和一个动态类型shape。

5.1 维度 (Shape)

TensorFlow中使用了三种记号描述张量的维度：阶，形状以及维数。下表展示了他们之间的关系：

阶 形状 维数 实例 0 [ ] 0-D 一个0维张量是一个常量，如5 1 [D0] 1-D 一个1维张量是一个矢量，如[5, 4] 2 [D0, D1] 2-D 一个2维张量是一个矩阵，如[[5, 4], [2, 3]] 3 [D0, D1, D2] 3-D 一个3维张量是一个立方矩阵，如[[[5, 4], [2, 3]], [[5, 4], [2, 3]] n [D0, D1, D2,….Dn] n-D 一个n维张量是一个多维数组

5.2 阶（Rank）

在TensorFlow系统中，张量的维数来被描述为阶。但是张量的阶和矩阵的阶并不是同一个概念：张量的阶（关于如顺序、度数或者是n维）是张量维数的一个数量描述。比如，Python中的list列表就是2阶。

你可以认为零阶张量是一个常量；一阶张量是一个向量；二阶张量就是我们平常所说的矩阵，你可以用语句t[i, j]来访问其中的任何元素；对于三阶张量，你可以用t[i, j, k]来访问其中的任何元素。

5.3 数据类型 (Type)

除了维度，tensor还有一个数据类型属性。你可以为一个张量指定下列数据类型中的任意一个类型：

6. 变量（variable）

在运行计算图过程中，变量用于维护某个参数的状态。TensorFlow通常会将一个统计模型中的参数表示为一组变量，例如你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, 通过重复运行计算图，更新这个tensor。

参考文章

1. tensorflow原理

2. tensorflow架构