tensorflow入門

tensorflow是由谷歌人工智慧團隊谷歌大腦（Google Brain）開發和維護的一個深度學習框架。

入門案例

以下是一個加法運算的示例，我們通過tensorflow構建一個tensorflow graph ，然後通過session

會話去運行該graph，我們通過api sess.run()來指定圖的輸出，除了最終的結果，參與整個圖運

算的數據我們都可以輸出，如果我們需要得到的話。

 1 import tensorflow as tf
 2 
 3 """
 4 實現一個加法運算，必須遵循以下的格式
 5 """
 6 
 7 #創建一個tensor張量
 8 a = tf.constant(5.0)
 9 b = tf.constant(6.0)
10 
11 #創建一個op(操作)
12 sum=tf.add(a, b)
13 
14 #通過Session執行graph
15 with tf.Session() as sess:
16     print(sess.run(sum))
17     print(sess.run([a, sum]))
18     print(sum.eval())

運行結果

我們通過sess.run(sum)來輸出數據sum，如果輸出的數據是多個，我們需要使用元組。

我們也可以使用sum.eval()來輸出數據sum。

核心概念

tensorflow=tensor + flow ,也就是有向數據流 ，我們使用tensorflow就是構建一個數據流圖， 然後執行改圖。

tensorflow數據流圖

•  張量： tensor， 數據就是張量
• 節點： operation(op),所有的運算操作都是一個op
•  圖： graph，整個程式的結構就是一個graph，定義了整個程式的框架
•  會話： session ， 用來運行圖  

tensor(張量）

tensorflow graph中的數據都是張量，示例如下：

1 import tensorflow as tf
2 
3 
4 a = tf.constant(5.0)
5 b = tf.constant(6.0)
6 sum=tf.add(a, b)
7 print(a)
8 print(sum)

輸出結果如下：

我們看到的結果就是Tensor對象

op(操作)

只要使用tensorflow的API定義的函數都是op， 如constant(), add()。

graph(圖）

tenorflow有一個預設圖， 如果我們不指定圖的話， 預設就是在預設圖上運行的。

• 預設圖

如果我們不指定圖的話，我們使用的是tensorflow的預設圖，他會自動調用 graph=

tf.get_default_graph(), 相當於給程式分配了一段記憶體， 我們所有的Tensor， op

都在這張圖上。

 1 import tensorflow as tf
 2 
 3 """
 4 實現一個加法運算，必須遵循以下的格式
 5 """
 6 
 7 #創建兩個tensor張量
 8 a = tf.constant(5.0)
 9 b = tf.constant(6.0)
10 #創建一個op(操作)
11 sum=tf.add(a, b)
12 
13 print(a.graph)
14 print(b.graph)
15 print(sum.graph)
16 
17 #預設圖
18 graph = tf.get_default_graph()
19 print(graph)
20 
21 #通過Session執行graph
22 with tf.Session() as sess:
23     print(sess.run(sum))
24     print(sess.run([a, sum]))
25     print(sum.eval())

運行結果如下圖所示：

通過運行結果，發現tensor， op ， 和session 都運行在一張圖上， 也就是系統預設

的這張圖 。 with tf.Session() as sess: 相當於 with.tf.Session(graph) as sess: 。

• 自定義圖

預設使用的是tensorflow預設圖，我們也是可以自定義圖，一下是一個自定義圖的完整示例：

1 import tensorflow as tf
2   
3 #創建一個圖
4 g = tf.Graph()
5 
6 #使用自定義的圖
7 
8 with g.as_default():
9      pass

session(會話)

session是一個會話， tensorflow的graph必須在Session中執行

• 會話的作用

1.運行圖的資源

2.分配資源運算，決定graph在什麼設備上運行

3.掌握資源（變數的資源，隊列，線程）

會話對象， 我們可以執行創建，運行和關閉等操作

1 s = tf.Session()
2 s.run()
3 s.close()

上下文環境

會話就是graph的上下文環境，只要有Session就有上下文環境。