Tensorflow简介

Tensorflow是Google开源的深度学习框架，用于训练神经网络模型

Google的神经网络可视化工具http://playground.tensorflow.org/

下文为了叙述方便，将Tensorflow简记为tf

tf计算模型——计算图graph

tf会将定义的“计算”自动转化成“计算图上的节点”，“节点之间的边”描述了“计算之间的依赖关系”，tf的计算图可以用来隔离、管理计算和张量

tf程序分为两个阶段：1.定义计算图中的所有计算，2.执行计算（类似spark里的rdd）

import tensorflow as tftf.constant()   #定义常量tf.get_default_graph()   #获取当前默认的计算图tf.Graph()   #生成新的计算图tf.get_variable()   #定义变量tf.Variable()   #保存和更新网络中的参数tf.Graph.device()   #指定运行设备tf.add_to_collection()   #将资源加入一个或多个“集合”中tf.get_collection()   #获取一个集合里的所有资源

tf数据模型——张量tensor

张量可以理解为多维数组，tf中的张量没有真正保存数组数字，保存的是如何得到这些数字的计算过程，即运算结果的引用。当计算图构造完成后，使用张量可以获得计算结果

tf中的张量结构保存了三个属性：name,shape,type，张量的命名形式是“node:src_output”（node是计算图上的节点名，src_output是当前张量来自node的第几个输出）

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

tf运算里维度、类型不匹配会报错

tf支持14种不同的类型：实数(tf.float32、tf.float64)、整数(tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8)、布尔型(tf.bool)、复数(tf.complex64、tf.complex128)

tf运行模型——会话session

tf里的会话用于执行定义好的运算。会话管理tf程序运行的所以资源，当所有计算完成后，需要关闭会话以帮助系统回收资源

import tensorflow as tfsess=tf.Session()   #创建一个会话tf.Tensor.eval()   #计算张量tf.Tensor的取值tf.InteractiveSession()   #自动将生成的会话注册为默认会话tf.ConfigProto()   #配置会话sess.run()   #利用对话运算sess.close()   #关闭会话