Tensorflow 基础知识

Tensorflow 基于数据流图的原理工作。要执行一些计算，有两个步骤：

1. 将计算表示为图形。
2. 执行图表。

表示： 与任何有向图一样，Tensorflow 图由节点和有向边组成。

节点：节点也称为 Op（代表操作）。一个节点可以有多个传入边但只有一个传出边。

边缘：指示节点的传入或传出数据。在这种情况下，一些节点（Op）的输入和输出。

每当我们说数据时，我们指的是一个称为 Tensor 的 n 维向量。Tensor 有三个属性： Rank，Shape 和 Type

• 等级表示张量的维数（立方体或框具有等级 3）。
• 形状表示这些尺寸的值（框可以具有形状 1x1x1 或 2x5x7）。
• Type 表示 Tensor 的每个坐标中的数据类型。

执行： 即使构建了图形，它仍然是一个抽象实体。在我们运行它之前，实际上没有计算。要运行图形，我们需要将 CPU 资源分配给图形内的 Ops。这是使用 Tensorflow 会话完成的。步骤是：

1. 创建一个新会话。
2. 在图表中运行任何 Op。通常我们运行最终的 Op，我们期望计算的输出。

Op 上的传入边缘就像是另一个 Op 上的数据依赖。因此，当我们运行任何 Op 时，它上面的所有传入边都被跟踪，另一边的 ops 也被运行。

注意： 也可以使用称为数据源或接收器的播放角色的特殊节点。例如，你可以有一个 Op，它给出一个常数值，因此没有传入的边缘（在下面的例子中参考值’matrix1’）和类似的 Op 没有传出边缘的结果被收集（参见下面例子中的’product’值）。

例：

https://i.stack.imgur.com/2rIm0.jpg

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)

# 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 op 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()