TensorFlow深度学习框架学习笔记（1）

TensorFlow的计算模型、数据模型和运行模型

TensorFlow计算模型——计算图

计算图是TensorFlow中最基本的概念，TensorFlow中的所有计算都会被转化为计算图上的节点。

Tensor就是张量。张量在这里可以简单地理解为多维数组（后续会有详细的解释）。Flow，顾名思义，就是“流”的 意思。TensorFolw是一个通过计算图的形式来表述计算的编程系统。

计算图：

节点——TensorFlow中的每个计算

边——计算间的依赖关系

计算图的使用

TensorFlow程序一般可以分为两个阶段。其一，定义计算图中所有计算；其二，执行计算。

在Python中一般会采用“import tensorflow as tf”的形式来载入TensorFolw。在这个过程中，TensorFolw会自动维护一个默认的计算图，可以通过tf.get_default_graph来调取当前默认的计算图。（注：TensorFlow中没有常量，而是作为一种永远输出固定值的运算）

计算图的作用：

可以用来隔离张量和计算；

提供了管理张量和计算的机制；

有效地整理TensorFlow程序中的资源。

TensorFlow数据模型——张量

张量是TensorFlow管理数据的形式。

张量:

零阶张量：标量，也就是一个数；

一阶张量：向量；

n阶张量：n维数组。

张量中主要保存了三个属性：名字（name）、维度（shape）、类型（type）。

名字是一个张量的唯一标识符，它同样也给出了这个张量是如何计算出来的。张量的名字是通过“node:src_output”，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。

维度，这个属性描述了一个张量的维度信息。

类型，每一个张量会有一个唯一的类型。（参与运算的张量类型不匹配时会报错）

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

张量的使用

对中间计算的引用；

获得计算结果，得到真实数字。

TensorFlow运行模型——会话

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露的问题。

TensorFlow中使用会话的模式：

其一，需要明确调用会话生成函数和关闭会话函数；

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

其二，TensorFlow可以通过Python的上下文管理器来使用会话。（要将所有的计算放在with的内部）

with tf.Session() as sess:    sess.run(……)#不需要再调用Session.close()函数来关闭对话#当上下文推出时会话关闭和资源释放也自动完成了

类似于计算图，TensorFlow也有类似默认会话的机制，但TensorFlow不会自动生成默认的会话，而是需要手动设置。在默认会话被指定后可以通过tf.Tensor.eval函数来计算一个张量的取值。

seee = tf.Session()with sess.as_default():    print(result.eval())

TensorFlow提供了一种在交互式环境下直接构建默认会话的函数。tf.InteractiveSession，使用这个函数会将自动生成的会话注册为默认会话。

sess = tf.InteractiveSession()print(result.eval())sess.close()

无论使用哪种方法都可以通过ConfigProto Protocol Buffer来配置需要生成的会话。下面给出了通过ConfigProto配置会话的方法：

config = tf.ConfigProto(allow_soft_placement = True, log_device_placement = True)sess1 = tf.InteractivesSession(config = config)sess2 = tf.Session(config = config)

通过ConfigProto可以配置的参数有：并行线程数、GPU分配策略、运算超时时间等。其中常用的参数有两个：

第一个是allow_soft_placement，布尔型。改参数默认值为False，但是有时为了使得代码的可移植性更强，在有在GPU的环境下，一般可以设置为True。其取值为True时，以下任一条件成立时，GPU上的运算可以放到CPU上进行：

1.运算无法在GPU上执行；

2.没有GPU资源（例如，运算被指定在第二个GPU上运行，但是机器只有一个GPU）；

3.运算输入包含对CPU计算结果的引用。

第二个是log_device_placement，布尔型。当其取值为True时，日志中会记录每个节点被安排在了哪个设备上，以便于调试。（在实际生产环境中，将这个参数设置为False可以减少日志量。）