Tensorflow基础

Tensorflow基础

要利用好深度学习所带来的福利，选择一款好的深度学习工具必不可少。在谷歌内部，Tensorflow已经被成功应用到语音搜索、广告、电商、图片、街景图、翻译、YouTube等众多产品之中。基于Tensorflow开发的RankBrain排序算法在谷歌上千种排序算法中排在第三重要的位置。对比不同开源深度学习工具的社区活跃度，Tensorflow远远超过其他工具。
Tensorflow的三个基本概念：

• 计算图（tf.Graph）
• 张量（tf.Tensor）
• 会话(tf.Session)

TensorFlow 计算模型—计算图

Tensorflow 中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。Tensorflow程序一般可以分为两个阶段：

• 第一阶段需要定义计算图中所有的计算
• 第二阶段为执行计算

以下代码给出了计算定义阶段的样例：

import tensorflow as tfa = tf.constant([1, 2], name="a", dtype=tf.float32)b = tf.constant([2.0, 3.0], name="b")result = a+b

在这个过程中，Tensorflow会自动将定义的计算转化为计算图上的节点。

Tensorflow 数据模型—张量

张量是Tensorflow管理数据的形式，所有的数据都通过张量的形式来表示。张量在Tensorflow中的实现并不是直接采用数组的形式，它只是对Tensorflow中运行结果的引用。
在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。以向量加法为例：

import tensorflow as tfa = 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)

结果为:

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

从上面代码的运行结果可以看出，一个张量中主要保存了三个属性：名字（name）、维度（shape）、类型（type）

• name：张量的唯一标识符，同时给出了这个张量如果计算出来的。name的形式：“node：src_output”，其中node为节点的名称，src_output表示当前张量来自节点的第几个输出。
• shape：描述了一个张量的维度信息。
• type：每一个张量会有一个唯一的类型。Tensorflow会对参与运算的所有张量进行类型的检查，当发现类型不匹配时会报错。如果不指定类型，Tensorflow会给出默认的类型，比如不带小数点的数会被默认为int32，带小数点的会默认为float32。因为使用默认类型有可能导致潜在的类型不匹配，所以一般建议通过指定dtype来明确指出变量或常量的类型。

张量的使用：
- 对中间计算结果的引用；
- 当计算图构造完成之后，张量可以用来获得计算结果。

Tensorflow 运行模型—会话

Tensorflow 使用会话（Session）来执行定义好的运算。会话拥有并管理Tensorflow程序运行时的所有资源。当所有计算完成之后，需要关闭会话来帮助系统回收资源，否则就可能出现资源泄漏的问题。
Tensorflow中使用会话的模式一般有两种：

• 明确调用会话生成函数和关闭会话函数：

sess = tf.Session()sess.run(...)sess.close()

然而，当程序因为异常而退出时，关闭会话的函数可能就不会被执行从而导致资源的泄漏。

• 通过python上下文管理器来使用会话：

with tf.Session() as sess:    sess.run()

当上下文退出时，会话关闭和资源释放也自动完成了。