1.3 TensorFlow基本使用

TensorFlow是一个编程系统，使用图来表示计算任务。图中的节点被称为op （operation的缩写），一个op获得0个或多个Tensor，执行计算产生0个或多个Tensor。每个Tensor是一个类型化的多维数组。例如，用户可以将一个小组图像集表示为一个四维数组，这四个维度分别是[batch,height,width,channels]。

一个TensorFlow图描述了计算的过程。为了进行计算，图必须在会话里被启动。会话将图的op分发到CPU或GPU等设备上，同时提供执行op的方法。这些方法执行后，将产生的Tensor返回。在Python语言中，返回的Tensor是numpy ndarray对象；在C 和C++语言中，返回的Tensor是TensorFlow::Tensor 实例。

我们使用TensorFlow，必须明白TensorFlow：

·使用图（graph）来表示计算任务；

·在被称为会话（Session）的上下文（context）中执行图；

·使用Tensor表示数据；

·通过变量（Variable）维护状态；

·使用feed和fetch可以为任意的操作（arbitrary operation）赋值或者从中获取数据。

1.3.1 计算图

TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op的执行步骤被描述成一个图；在执行阶段，使用会话执行图中的op。

例如，通常在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。

TensorFlow支持C、C++、Python 编程语言。目前，TensorFlow的Python库更加容易被使用，它提供了大量的辅助函数来简化构建图的工作，这些函数尚未被C和C++编程语言支持。

C、C++、Python这三种编程语言的会话库是一致的。

1.3.2 构建图

构建图需要先创建源op（source op）。源op不需要任何输入，如常量（constant），源op的输出被传递给其他op进行运算。

Python库中，op构造器的返回值代表被构造出的op的输出，这些返回值可以传递给其他op构造器作为输入。

TensorFlow库有一个默认图（default graph），op构造器可以为其增加节点，这个默认图对许多程序来说已经足够用了。以下代码用于构建图：

默认图中现在有三个节点，分别为两个constant()节点和一个matmul()节点。为了真正进行矩阵相乘运算，并得到矩阵乘法的结果，用户必须在会话里启动这个图。

1.3.3 在一个会话中启动图

构造阶段完成后才能启动图，启动图需要先创建一个Session对象，如果无任何创建参数，会话构造器将启动默认图。

输出如下：

Session对象在使用完后需要关闭以释放资源，除了调用close，也可以使用with代码块来自动完成关闭动作。

在实现上，TensorFlow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源（如CPU或GPU）。一般用户不需要显式指定使用的是CPU还是GPU，TensorFlow能自动检测。如果检测到GPU，TensorFlow就会尽可能地利用找到的第一个GPU来执行操作。

如果计算机上有超过一个可用的GPU，那么除第一个以外的其他GPU默认是不参与计算的。为了让TensorFlow使用这些GPU，用户必须将op明确指派给它们执行。with...device语句用来指派特定的CPU或GPU执行操作：

设备用字符串进行标识，目前支持的设备包括：

·"/cpu：0"：计算机的CPU；

·"/gpu：0"：计算机的第一个GPU，若有的话；

·"/gpu：1"：计算机的第二个GPU，以此类推。

1.3.4 交互式使用

1.3.3节中的示例使用一个会话Session来启动图，并调用Session.run()方法来执行操作。

为了便于使用IPython的Python交互环境，可以使用InteractiveSession代替 Session类，使用Tensor.eval()和Operation.run()方法代替Session.run()。这样可以避免使用一个变量来持有会话。

运行程序，输出如下：

TensorFlow程序使用Tensor数据结构来代表所有的数据，在计算图中，操作之间传递的数据都是Tensor。用户可以把TensorFlow的Tensor看作是一个n维的数组或列表。一个Tensor包含一个静态类型rank和一个shape。

1.3.5 Fetch

为了取回操作的输出内容，可以在使用Session对象的run()调用执行图时，传入一些Tensor，这些Tensor会帮助用户取回结果。在之前的例子中，我们只取回了单个节点state，但是用户也可以取回多个Tensor：

运行程序，输出如下：

在op的一次运行中一起获得需要获取的多个Tensor值（不是逐个去获取Tensor值）。

1.3.6 Feed

1.3.5节在计算图中引入了Tensor，以常量或变量的形式存储。TensorFlow还提供了Feed机制，该机制可以临时替代图中的任意操作，Tensor可以对图中任何操作提交补丁，直接插入一个Tensor。

Feed使用一个Tensor值临时替换一个操作的输出结果。用户可以提供Feed数据作为run() 调用的参数。Feed只在调用它的方法内有效，方法结束，Feed就会消失。最常见的用例是将某些特殊的操作指定为Feed操作，标记的方法是使用tf.placeholder()为这些操作创建占位符。

运行程序，输出如下：

如果没有正确提供Feed，tf.placeholder()操作将会产生错误。