为了使用TensorFlow你需要理解一下几个方面：TensorFlow是如何
- 把运算表示为图
- 在 Session 的语境下执行图
- 把数据用多维向量表示
- 用 Variable 维护状态
- 使用feed和fetch把数据放进和取出任意的算子
概述
TensorFlow把运算表示为图。图的节点是ops（operations）。一个op可以对零个或者多个tensor进行运算，产生零个或多个tensor。在TensorFlow的语境下，tensor就是一个多维向量。
一个TensorFlow 图就是一个对运算的描述。运算开始之前你必须把图在一个Session中 启动。Session会把图放在Devices上面，比如CPU、GPU，然后提供方法来进行计算。在Python中这些方法会返回 numpy 的 ndarray，在C/C++中则会返回tensorflow:Tensor类型的实例。
计算流图
TensorFlow程序一般分为构建阶段和执行阶段。在构建阶段，你可以把图组合起来，比如神经网络图模型。在执行阶段则用Session在执行一系列的ops，比如训练神经网络的运算。
TensorFlow的图可以用Python、C或者C++来写，但是Python会简单一点，因为有许多辅助函数可以使用。
-
构建图
首先从不需要任何输入的算子开始，比如 Constant 。把输出结果传递给其他需要输入的算子。
TF的Python提供了默认的图，可以在大多数场景下使用。import tensorflow as tf # Create a Constant op that produces a 1x2 matrix. The op is # added as a node to the default graph. # # The value returned by the constructor represents the output # of the Constant op. matrix1 = tf.constant([[3., 3.]]) # Create another Constant that produces a 2x1 matrix. matrix2 = tf.constant([[2.],[2.]]) # Create a Matmul op that takes 'matrix1' and 'matrix2' as inputs. # The returned value, 'product', represents the result of the matrix # multiplication. product = tf.matmul(matrix1, matrix2) -
在Session中启动图
# Launch the default graph. sess = tf.Session() # To run the matmul op we call the session 'run()' method, passing 'product' # which represents the output of the matmul op. This indicates to the call # that we want to get the output of the matmul op back. # # All inputs needed by the op are run automatically by the session. They # typically are run in parallel. # # The call 'run(product)' thus causes the execution of three ops in the # graph: the two constants and matmul. # # The output of the matmul is returned in 'result' as a numpy `ndarray` object. result = sess.run(product) print(result) # ==> [[ 12.]] # Close the Session when we're done. sess.close()你可以使用with语句
with tf.Session() as sess: result = sess.run([product]) print(result)通常呢你不需要告诉TF你需要哪个设备进行运算，但是如果你有多个GPU的话你就可以指定TF用哪个设备进行运算了。比如
with tf.Session() as sess: with tf.device("/gpu:1"): matrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2) ...
你可以使用以下字符串来表示设备：
- "/cpu:0" ： 设备的CPU。
- "/gpu:0" ： 设备的第一块GPU。
- "/gpu:1" ： 设备的第二块GPU。
你也可以在分布式集群中运行TensorFlow：
with tf.Session("grpc://example.org:2222") as sess:
Calls to sess.run(...) will be executed on the cluster.
...
指定的机器将会成为你的master，并调动集群中的其他机器进行运算。
或者用```tf.device()```语句来指定worker。
with tf.device("/job:ps/task:0"):
weights = tf.Variable(...)
biases = tf.Variable(...)
### 交互使用
在iPython等交互式的Python环境中，你可以用```InteractiveSession```类，用```Tensor.eval()```，```Operation.run()```等方法。
Enter an interactive TensorFlow Session.
import tensorflow as tf
sess = tf.InteractiveSession()
x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])
Initialize 'x' using the run() method of its initializer op.
x.initializer.run()
Add an op to subtract 'a' from 'x'. Run it and print the result
sub = tf.sub(x, a)
print(sub.eval())
==> [-2. -1.]
Close the Session when we're done.
sess.close()
### Tensor
TensorFlow程序使用Tensor来表示所有的数据。只有Tensor可以在Operation之间传递。你可以把Tensor看作是一个多维数组。Tensor有静态类型、秩以及形状。
### Variable
Variable 维护执行过程中图的状态。
Create a Variable, that will be initialized to the scalar value 0.
state = tf.Variable(0, name="counter")
Create an Op to add one to state.
one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)
Variables must be initialized by running an init Op after having
launched the graph. We first have to add the init Op to the graph.
init_op = tf.global_variables_initializer()
Launch the graph and run the ops.
with tf.Session() as sess:
Run the 'init' op
sess.run(init_op)
Print the initial value of 'state'
print(sess.run(state))
Run the op that updates 'state' and print 'state'.
for _ in range(3):
sess.run(update)
print(sess.run(state))
output:
0
1
2
3
通常你可以把一个统计模型中的参数表达为Variable。比如，把神经网络的权重表达为Variable中的tensor。训练过程中你通过不断地运行图来更新这个tensor。
### Fetches
你可以通过运行Session的```run()```方法来获取tensor的值。比如
input1 = tf.constant([3.0])
input2 = tf.constant([2.0])
input3 = tf.constant([5.0])
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)
with tf.Session() as sess:
result = sess.run([mul, intermed])
print(result)
output:
[array([ 21.], dtype=float32), array([ 7.], dtype=float32)]
所有需要的op都会被运行一遍。
### Feeds
Feeds用tensor的值暂时取代了一个op的输出。你可以把feed的数据作为参数传进```run()```函数。feed数据仅会应用于当前的 ```run()```。你可以指定```tf.placeholder()```来创建要feed的op。
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
output:
[array([ 14.], dtype=float32)]
