TensorFlow的名字已经说明了它最重要的两个基本概念：Tensor(张量）和Flow(流)。张量可以在TensorFlow中理解为多维数组，Flow体现了计算模型，表达了张量之间的计算转化过程。
本篇将介绍TensorFlow中三个最基本的概念：计算图，张量和会话，并在基本介绍的基础上介绍如何使用TensorFlow来实现神经网络的训练过程。

1. 计算图(Graph)

计算图是TensorFlow最基本的一个概念，所有的计算都会被转化为计算图上的节点，节点之前的先后依赖关系通过边来表示。如下图所示，我们有x1, x2两个特征向量作为输入，有两组神经网络全连接层，最后有一组输出。其中，每一个节点都是一个运算，每一条边代表了计算之间的依赖关系。

image.png

既然计算图中包含张量包含边，就可以将计算图理解为一个张量和边的容器。在没有指定计算图的时候，TensorFlow会使用默认的计算图：

  1. import tensorflow as tf
  2. # 一阶张量相加
  3. a = tf.constant([1.0, 2.0, 3.0], name='a')
  4. b = tf.constant([2.0, 3.0, 4.0], name='b')
  5. result = a + b
  7. print(a.graph is tf.get_default_graph())
  8. print(b.graph)
  9. print(a.graph)

输出：

  1. True
  2. <tensorflow.python.framework.ops.Graph object at 0x000002A5152EC908>
  3. <tensorflow.python.framework.ops.Graph object at 0x000002A5152EC908>

也可以显示指定计算图，不同计算图上的张量和运算都不会共享。

  1. # 不同计算图张量不共享
  2. import tensorflow as tf
  4. g1 = tf.Graph()
  5. with g1.as_default():
  6.     v = tf.get_variable("v", shape=[1], initializer=tf.zeros_initializer)
  8. g2 = tf.Graph()
  9. with g2.as_default():
  10.     v = tf.get_variable("v", shape=[1], initializer=tf.ones_initializer)
  12. with tf.Session(graph=g1) as sess:
  13.     tf.global_variables_initializer().run()
  14.     with tf.variable_scope("", reuse=True):
  15.         print(sess.run(tf.get_variable("v")))
  16. with tf.Session(graph=g2) as sess:
  17.     tf.global_variables_initializer().run()
  18.     with tf.variable_scope("", reuse=True):
  19.         print(sess.run(tf.get_variable("v")))

输出：

  1. [0.]
  2. [1.]

可以看出，虽然都是变量v，但是不同的计算图取到的结果是不一样的。

2. 张量（Tensor）

在TensorFlow程序中，所有的数据都通过张量的形式来表示。从功能上来看，张量可以被简单的理解为多维数组。其中零阶张量表示标量（scalar)，也就是一个数；第一阶张量为向量（vector），也就是一个一维数组；第n阶张量可以理解为一个n维数组。

1.2 三种张量详解

Tensorflow有三种特殊的张量：

    • tf.Variable
    • tf.constant
    • tf.placeholder

1.2.1 tf.constant

tf.constant是一个计算，这个计算的结果是一个张量。在张量中没有真正保存数字，它保存的是如何得到这些数字的计算过程。

  1. import tensorflow as tf
  2. a = tf.constant([1.0, 2.0], name='a')
  3. b = tf.constant([2.0, 3.0], name='b')
  4. result = tf.add(a, b, name="add")
  5. print(result)

输出：

  1. Tensor("add:0", shape=(3,), dtype=float32)

从上面的结果可以看出，一个张量中主要保存了三个属性：名字(name)，维度(shape)，类型(type)。第一个属性是一个张量的唯一标识符，它同样给出了张量是如何计算出来的。”add:0”说明了result这个张量是计算节点”add”输出的第一个结果（编号从0开始）；第二个属性是张量的维度，shape=(2,)说明了张量result是一个一维数组，这数组的长度是2；张量的第三个属性是类型(type)，每一个张量会有一个唯一的类型。TensorFlow会对参与运算的所有张量进行类型的检查，当发现类型不匹配时会报错。

1.2.2 tf.Variable

tf.Variable（变量）的作用是保存和更新神经网络中的参数，和其他编程语言类似，变量也需要指定初始值。例如，声明一个2*3的矩阵变量:

  1. weights = tf.Variable(tf.random_normal([2, 3], stddev=2))

该矩阵的数值满足正态分布，均值为0，标准差为2。

1.2.3 tf.placeholder

如果训练集中的每一次输入都用一个常量来表示，那么TensorFlow的计算图将非常庞大。因为每生成一个常量，TensorFlow都会在计算图中增加一个节点。为了避免这个问题，TensorFlow提供了placeholder机制用于提供输入数据。placeholder相当于定义了一个位置，这个位置中的数据在程序运行时再指定。
注意：定义placeholder的时候，类型是必须要指定的，维度信息可以推断出来，所以不一定要给出。
s

3. 会话(Session)