TensorFlow02.程序结构

程序结构

tensorflow程序一般分为两个阶段：

• 阶段1:定义计算图所有的计算。
• 阶段2:在session中执行计算。

阶段1

计算图（Computational Graph）

在理解计算图之前，先理解张量（Tensor）和流（Flow）：

• Tensor:在TensorFlow的范畴内，可以简单理解成多维数组。详细理解： https://www.cnblogs.com/abella/p/10142935.html
• Flow:中文翻译是“流”，形象地表达了张量之间通过计算相互转化的过程。

计算图：是包含节点和边的网络，需要定义所有要使用的数据，也就是张量（tensor）对象（常量、变量和占位符），同时定义要执行的所有计算，即运算操作对象（Operation Object,简称OP）。

每个节点可以有零个或多个输入，但只有一个输出。

阶段2

计算图的执行：使用会话对象来实现计算图的执行。会话对象封装了评估张量和操作对象的环境。这里真正实现了运算操作并将信息从网络的一层传递到另外一层。不同张量对象的值仅在会话对象中被初始化、访问和保存。在此之前张量对象只被抽象定义，在会话中才被赋予实际的意义。

实例：

１.定义两个向量v_1和v_2作为输入提供给Add操作，建立计算图如下：

２.相应代码：

import tensorflow as tf
v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2)

3.然后在会话中执行计算图：

with tf.Session() as sess:
    print(sess.run(v_add))

4.运行结果是显示两个向量的和：

[3 3 8 7]

完整代码：

import tensorflow as tf
v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2)
with tf.Session() as sess:
    print(sess.run(v_add))
#会话部分可以不用with
import tensorflow as tf
v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2)
sess = tf.Session()
print(sess.run(v_add))
sess.close()

解读分析：

1. 该例子中计算图有三个节点组成，v_1和v_2是输入；

2. 为了使图生效，首先需要使用tf.Session()定义一个会话对象sess.然后使用Session类中定义的run方法运行它.

   run(fetches,feed_dict = None,options = None,run_metada)
   

3. 运行的结果在fetches中提取，提取的张量是v_add。而且一次可以提取一个或多个张量或操作对象，例如，结果抽取的是[v_1,…v_add]

   import tensorflow as tf
   v_1 = tf.constant([1,2,3,4])
   v_2 = tf.constant([2,1,5,3])
   v_add = tf.add(v_1,v_2)
   with tf.Session() as sess:
       print(sess.run([v_1,v_2,v_add]))
   

   [array([1, 2, 3, 4]), array([2, 1, 5, 3]), array([3, 3, 8, 7])]
   

4. 在同一段代码中，可以有多个会话对象。

5. 每个会话都需要使用close()来明确关闭，而with格式可以在运行结束后隐式关闭会话。

扩展

本人是用Jupyter Notebook进行编程的，使用tf.InteractiveSession比tf.Session更方便。因为InteractiveSession使自己成为默认会话，因此可以使用eval()直接调用运行张量对象而不用显式调用会话.

import tensorflow as tf
sess = tf.InteractiveSession()
v_1 = tf.constant([1,2,3,4])
v_2 = tf.constant([2,1,5,3])
v_add = tf.add(v_1,v_2)
print(v_add.eval())
sess.close()

[3 3 8 7]

参考：

• TensorFlow教程： http://c.biancheng.net/tensorflow/
• TensorFlow计算模型-计算图： https://www.jianshu.com/p/b5a383d54645