TensorFlow编程概念 | 每天，遇到更好的你

学习目标：

学习 TensorFlow 编程模型的基础知识，重点了解以下概念：
- 张量
- 指令
- 图
- 会话
构建一个简单的 TensorFlow 程序，使用该程序绘制一个默认图并创建一个运行该图的会话

注意： 请仔细阅读本教程。TensorFlow 编程模型很可能与您遇到的其他模型不同，因此可能不如您期望的那样直观。

概念概览

TensorFlow 的名称源自 张量 ，张量是任意维度的数组。

借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：

标量是零维数组（零阶张量）。例如，\'Howdy\' 或 5
矢量是一维数组（一阶张量）。例如，[2, 3, 5, 7, 11] 或 [5]
矩阵是二维数组（二阶张量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令 会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。

TensorFlow 图（也称为 计算图 或 数据流图 ）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

张量可以作为 常量 或 变量 存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。

使用 tf.constant 指令定义常量，并传入它的值。例如：

1	x = tf.constant([5.2])

使用 tf.Variable 指令定义创建变量，并传入它的值。例如：

1	y = tf.Variable([5])

或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：

1 2	y = tf.Variable([0]) y = y.assign([5])

定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。

图必须在 TensorFlow 会话 中运行，会话存储了它所运行的图的状态：

1
2
3

将 tf.Session() 作为会话：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。

注意： 会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。有关详情，请参阅分布式 TensorFlow。

总结

TensorFlow编程本质上是一个两步流程

将常量、变量和指令整合到一个图中
在一个会话中评估这些常量、变量和指令

创建一个简单的 TensorFlow 程序

输出 TensorFlow 版本

#!/usr/bin/env python
# -*- coding:utf-8 -*-
# @Copyright (C), 2018, matrix.wang

import tensorflow

print(tensorflow.__version__)

输出

1.8.0

我们来看看如何编写一个将两个常量相加的简单 TensorFlow 程序

添加 import 语句

与几乎所有 Python 程序一样，您首先要添加一些 import 语句。
当然，运行 TensorFlow 程序所需的 import 语句组合取决于您的程序将要访问的功能。至少，您必须在所有 TensorFlow 程序中添加 import tensorflow 语句：

1	import tensorflow as tf

请勿忘记执行前面的代码块（import 语句）。

其他常见的 import 语句包括：

1
2
3

import matplotlib.pyplot as plt # 数据集可视化
import numpy as np              # 低级数字 Python 库
import pandas as pd             # 较高级别的数字 Python 库

TensorFlow 提供了一个默认图。不过，我们建议您明确创建自己的 Graph，以便跟踪状态（例如，您可能希望在每个单元格中使用一个不同的 Graph）。

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")

  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    print sum.eval()

输出

练习：引入第三个运算数

修改上面的代码列表，以将三个整数（而不是两个）相加：

定义第三个标量整数常量 z，并为其分配一个值 4
将 sum 与 z 相加，以得出一个新的和

提示： 请参阅有关 tf.add() 的 API 文档，了解有关其函数签名的更多详细信息。

重新运行修改后的代码块。该程序是否生成了正确的总和？

# Create a graph.
g = tf.Graph()

# Establish our graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of three operations.
  # (Creating a tensor is an operation.)
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")

  # Task 1: Define a third scalar integer constant z.
  z = tf.constant(4, name="z_const")
  # Task 2: Add z to `sum` to yield a new sum.
  new_sum = tf.add(sum, z, name="x_y_z_sum")

  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    # Task 3: Ensure the program yields the correct grand total.
    print new_sum.eval()