tensorflow（一）

1）使用图（graph）来表示计算任务；

2）在被称之为回话session的上下文（context）中执行图

3）使用tensor表示数据

4）使用变量variable维护状态

5）使用feed和fetch为任意操作输入和输出数据

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，

一个op可以获得0个或者多个tensor，执行计算，产生0个或多个tensor。每个

tensor是一个类型化的多为数组。

一个tensorflow图描述了计算的过程，为了进行计算，图不必须在会话李被启动，

会话将图的op分法到诸如cpu或者gpu之类的设备上，同时提供执行方法，这些方

法被执行后，将产生tensor返回，在python中，返回的是tensor和numpy ndarray

对象。

tensorflow程序被组织成一个构建阶段和一个执行阶段，构建阶段op的执行步骤被

描述成一个图，执行阶段，使用会话执行执行图中的op

通常，在构建阶段创建一个图来表示和训练神经网络，然后执行阶段反复执行

图中的训练op。

构建图的第一步，是创建源op，源op不需要任何输入，

import tensorflow as tf# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点# 加到默认图中.## 构造器的返回值代表该常量 op 的返回值.matrix1 = tf.constant([[3., 3.]])# 创建另外一个常量 op, 产生一个 2x1 矩阵.matrix2 = tf.constant([[2.],[2.]])# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.# 返回值 'product' 代表矩阵乘法的结果.product = tf.matmul(matrix1, matrix2)

默认图现在有三个节点, 两个constant() op, 和一个matmul() op. 为了真正进行矩阵相乘运算, 并得到矩阵
乘法的 结果, 你必须在会话里启动这个图.

session对象在使用完后需要关闭以释放资源，除了显示调用close外，也可以使用with代码块来自动完

成关闭动作。

在实现上，tensorflow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源，如果机器上

有超过一个可用的GPU，除第一个的其它GPU默认是不参与计算的，为了让tensorflow使用这些GPU，

必须将op明确的纸牌给他们执行。with……device

tensorflow使用tensor数据结构来代表所有的数据，计算图中，操作传递的数据都是tensor，tensor可以看做一个n维的数据，

一个tensor包含一个静态类型rank和一个shape。

变量

变量维护图执行规程中的状态信息，通常会将一个统计模型中的参数表示为一组变量，例如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，通过重复训练图，更新这个tensor。

fetch

为了取回操作的输出内容，可以在使用session对象的run（）调用执行图时，闯入一些tensor，这些tensor会帮助你

取回结构，不仅可以取回单个节点的state，也可以取回多个节点。

feed：

tensor可以以变量或者常量的形式存储，feed机制还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。