簡介：

? ? ? ? 官網(wǎng)上對(duì)TensorFlow的介紹是： 一個(gè)使用數(shù)據(jù)流圖(data flow graphs)技術(shù)來進(jìn)行數(shù)值計(jì)算的開源軟件庫?

? ?（有點(diǎn)類似于這樣 ：）

? ??

? ? ? ? TensorFlow包含構(gòu)建數(shù)據(jù)流圖與計(jì)算數(shù)據(jù)流圖等基本步驟，圖中的節(jié)點(diǎn)表示數(shù)學(xué)操作，圖中連結(jié)各節(jié)點(diǎn)的邊表示多維數(shù)組，即：tensors（張量）。?張量是TensorFlow最核心的組件，所有運(yùn)算和優(yōu)化都是基于張量進(jìn)行的。張量是基于向量和矩陣的推廣，可以將標(biāo)量看為零階張量，矢量看做一階張量，矩陣看做二階張量。

?

tensorflow程序一般分為兩個(gè)階段：

• 　　1、定義計(jì)算圖所有的計(jì)算

• 　　2、在session中執(zhí)行計(jì)算

在這幾行代碼中完全體現(xiàn)了這兩項(xiàng)操作

（ ? ? ?還額外包括了 ?：

• 將數(shù)據(jù)表示為tensors；

• 使用Variables來保持狀態(tài)信息；

• 分別使用feeds和fetches來填充數(shù)據(jù)和抓取任意的操作結(jié)果； ? ）

import tensorflow as tfa =tf.placeholder("float")b =tf.placeholder("float")y = tf.multiply(a,b)sess = tf.Session()print(sess.run(y, feed_dict={a: 3, b: 3}))--------------------- 轉(zhuǎn)載于 作者：Jasen_Fu 

張量的階數(shù)：

? ? ? ? ? ? ? ? ? TensorFlow用張量表示所有的數(shù)據(jù)，張量可看成一個(gè)n維的數(shù)組或列表，在圖中的節(jié)點(diǎn)之間流通。張量的維數(shù)稱為階，在另一片文中有相應(yīng)的一些介紹。

?

?

計(jì)算圖

在tensorflow程序中，系統(tǒng)會(huì)自動(dòng)給參數(shù)一個(gè)默認(rèn)的計(jì)算圖，可以通過tf.get_default_graph()函數(shù)獲取。

import tensorflow as tfx = tf.constant(10)y = tf.constant(15)print(x.graph)結(jié)果為：<tensorflow.python.framework.ops.Graph object at 0x000001AE613E8E80>

tensorflow可以通過tf.Graph函數(shù)生成新的計(jì)算圖。不同計(jì)算圖上的張量和運(yùn)算都不會(huì)共享

g1=tf.Graph()with g1.as_default():    # 在計(jì)算圖g1中定義變量'v',并設(shè)置初始值為0。    v=tf.get_variable('v',initializer=tf.zeros_initializer()(shape = [1]))    g2=tf.Graph()with g2.as_default():    # 在計(jì)算圖g2中定義變量'v',并設(shè)置初始值微1。    v=tf.get_variable('v',initializer=tf.ones_initializer()(shape = [1]))# 在計(jì)算圖g1中讀取變量'v'的取值with tf.Session(graph=g1) as sess:    tf.global_variables_initializer().run()    with tf.variable_scope('',reuse=True):        # 在計(jì)算圖g1中，變量'v'的取值應(yīng)該為0，下一行代碼會(huì)輸出[0.]。        print(sess.run(tf.get_variable('v')))# 在計(jì)算圖g2中讀取變量'v'的取值with tf.Session(graph=g2) as sess:    tf.global_variables_initializer().run()    with tf.variable_scope('',reuse=True):        # 在計(jì)算圖g2中，變量'v'的取值應(yīng)該為1，下一行代碼會(huì)輸出[1.]。        print(sess.run(tf.get_variable('v')))

############# 代碼借鑒于https://www.cnblogs.com/hypnus-ly/p/8040951.html?這位朋友的博客#######

tensorflow中的計(jì)算圖不僅可以用來隔離張量和計(jì)算，它還提供了管理張量和計(jì)算的機(jī)制，具體的可以到上面這位朋友的博客中看。

?

import tensorflow as tfx = tf.constant(10)y = tf.constant(15)print(x y)結(jié)果：   Tensor("add_1:0", shape=(), dtype=int32)

我們觀察一下這里的輸出信息，一共是三個(gè)，代表了張量在存儲(chǔ)時(shí)候的三種屬性：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?名字（name）、維度（shape）和類型（type）

其中，name屬性以“node：src_output”的形式表示，node表示節(jié)點(diǎn)的名稱，src_output表示當(dāng)前張量來自節(jié)點(diǎn)的第幾個(gè)輸出。

還可以通過result.get_shape函數(shù)來獲取結(jié)果張量的維度信息。

?

tensorflow中session的講解

創(chuàng)建session的三種方式：

# 1、 創(chuàng)建一個(gè)會(huì)話with tf.Session() as sess:    print(sess.run(result))

# tensorflow中需要手動(dòng)指定默認(rèn)會(huì)話，當(dāng)該會(huì)話指定后，可以通過tf.Tensor.eval函數(shù)來計(jì)算一個(gè)張量的取值。# 2、 創(chuàng)建一個(gè)默認(rèn)的會(huì)話sess=tf.Session()with sess.as_default():   # 需要在這里先指定一個(gè)會(huì)話，也就是指定一個(gè)sess的名稱（有點(diǎn)類似于namespace吧）    print(result.eval())

# 3、 創(chuàng)建一個(gè)會(huì)話sess=tf.Session()

# 下面兩個(gè)命令等價(jià)print(sess.run(result))print(result.eval(session=sess))

# 在交互式環(huán)境下，使用設(shè)置默認(rèn)會(huì)話的方法來獲取張量的取值更加方便，tensorflow提供了一種在交互式環(huán)境下直接構(gòu)建# 默認(rèn)會(huì)話的函數(shù)，tf.InteractiveSession。該函數(shù)會(huì)自動(dòng)將生成的會(huì)話注冊(cè)為默認(rèn)會(huì)話。sess= tf.InteractiveSession()print(result.eval())sess.close()

?

?

?

?

?

?

?

?

?

?

?

?

?

?