tensorflow 基本概念回顾

https://zhuanlan.zhihu.com/p/46881906

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。2015年它由Google发布并宣布开源。

它的名字来源于本身的工作原理，Tensor（张量）意味着一个N维的数组，Flow（流）就是流动。Tensorflow的运行过程就是张量在数据流图中流动的过程。

 

那么，什么是数据流图（Data Flow Graph）？

 

它由点（node）和边（edge）组成。

其中，节点通常以圆、椭圆或方框表示，代表对数据的运算或某种操作。边是节点之间的连接，用带箭头的线表示，指向节点的边表示输入，从节点引出的边表示输出。输入可以是来自其他数据流图，也可以表示文件读取、用户输入。所以在本质上，TensorFlow的数据流图就是一系列链接在一起的函数构成，每个函数都会输出若干个值（0个或多个），以供其它函数使用。

除了上面两个概念，以下几个也很重要：

图（Graph）：图描述了计算的过程，TensorFlow使用图来表示计算任务。

张量（Tensor）：TensorFlow使用tensor表示数据。每个Tensor就是一个多维的数组。

操作（op）：operation的缩写，一个op就是某节点上的一个操作，输入0个或多个Tensor，执行计算，产生输出0个或多个Tensor。

会话（Session）：图必须在称之为“会话”的上下文中执行。会话将图的op分发到诸如CPU或GPU之类的设备上执行。

变量（Variable）：运行过程中可以被改变，用于维护状态。

 

import tensorflow as tf
# 创建两个常量节点
node1 = tf.constant("hello")
node2 = tf.constant("world")
# 创建一个 node3 节点，对上面两个节点执行 + 操作
node3 = node1 + node2
# 打印一下 adder 节点
print(node3)
# 打印 adder 运行后的结果
sess = tf.Session()
print(sess.run(node3))

　　

输出：

Tensor("add:0", shape=(), dtype=string)
b'helloworld'

 

结合上面的代码，现在我们总结一下TensorFlow的工作流程：

（1）构建一个计算图，并初始化一些节点，比如我们的node1和node2。这个时候，并没有开始计算。

（2）创建一个会话。这才是图计算开始的地方，也就是说，仅仅构建一个图，这些图不会自动执行计算操作，而是还要显式提交到一个会话去执行，也就是说，它的执行，是滞后的。

（3）在会话中运行图的计算。把编译通过的合法计算流图传递给会话，这时张量（tensor）才真正“流动（flow）”起来。

（4）关闭会话。当整个图无需再计算时，则关闭会话，以回收系统资源。