本博文系转载
https://blog.csdn.net/yhily2008/article/details/80272245
一、概述
TensorFlow最基本的一次计算流程通常是这样的：首先它接受n个固定格式的数据输入，通过特定的函数，将其转化为n个张量（Tensor）格式的输出。
一般来说，某次计算的输出很可能是下一次计算的（全部或部分）输入。整个计算过程其实是一个个Tensor 数据的流动过程。在这其中，TensorFlow将这一系列的计算流程抽象为了一张数据流图（Data Flow Graph）。简单来说，数据流图，就是在逻辑上描述一次机器学习计算的过程。下面我们以图11-26为例，来说明TensorFlow的几个重要概念。
图11-26 TensorFlow的数据流图
构建数据流图时，需要两个基础元素：点（node）和边（edge）。
• 节点：在数据流图中，节点通常以圆、椭圆或方框表示，代表对数据的运算或某种操作。例如，在图11-26中，就有5个节点，分别表示输入（input）、乘法（mul）和加法（add）。
• 边：数据流图是一种有向图，“边”通常用带箭头线段表示，实际上，它是节点之间的连接。指向节点的边表示输入，从节点引出的边表示输出。输入可以是来自其他数据流图，也可以表示文件读取、用户输入。输出就是某个节点的“操作（Operation，下文简称Op）”结果。在图11-26中的例子中，节点c接受两个边的输入（2和4），输出乘法的（mul）结果8。
在本质上，TensorFlow的数据流图就是一系列链接在一起的函数构成，每个函数都会输出若干个值（0个或多个），以供其它函数使用。在图11-26中，a和b是两个输入节点（input）。这类节点并非可有可无，它的作用是传递输入值，并隐藏重复使用的细节，从而可对输入操作进行抽象描述。
除了上述两个概念之外，下面3个概念也很重要，在后面的章节会详细介绍，这里仅做简单介绍。
（1）Session（会话）：根据上下文（context），会话负责管理协调整个数据流图的计算过程。光有数据流图还不够，如果想执行数据流图所描述的计算，还得配备一个专门的会话，来负责图计算。
（2）Op（操作）：就是数据流图中的一个节点，代表一次基本的操作过程。
（3）Tensor（张量）：在TensorFlow 中，所有计算数据的格式，都是一个n维数组，如 t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，就是一个2维张量。
二、构建第一个TensorFlow数据流
通过前面的介绍，下面我们就可以构建一个与图11-26相匹配的数据流程图，具体代码如下所示：
【范例11-1】TensorFlow数据流图（feed_dict.py）
-
import tensorflow as tf -
a = tf.constant(4, name = "input_a") -
b = tf.constant(2, name = "input_b") -
c = tf.multiply(a,b, name ="mul_c") -
d = tf.add(a,b, name = "add_d") -
e = tf.add(c,d, name = "add_e") -
sess = tf.Session() -
print(sess.run(e)) -
sess.close()
在Jupyter Notebook按Shift + Enter键，结果如图11-27所示。
图11-27 数据流程图计算结果
整体来说，TensorFlow的程序由两大部分构成：
（1） 构建计算流图（如范例11-1的第03~07行）。
（2）运行计算流图（如范例11-1的第09~11行）。
下面我们来详细解析上述代码。
第01行代码是Python的经典用法，它的作用是导入TensorFlow库，并给它取一个简短的别名tf，方便后面引用。
第03和04行代码定义了两个输入节点a和b，在TensorFlow中，它要以数据流图的形式完成计算，所以不能像Python一样直接赋值。比如a = 4或b = 2，在TensorFlow计算中都是错误的，必须通过一个“操作（Operation，简称Op）”，使其变成一个数据流图的节点。tf.constant( )就是要创建一个常量Op，constant( )函数本身有多个参数，其函数原型如下：
-
constant( -
value, -
dtype=None, -
shape=None, -
name='Const', -
verify_shape=False -
)
第1个参数是常量数值（value），第2个参数是数据类型（dtype），指定返回张量的数据类型。第3个参数shape是可选项，表明设置张量的形状（即张量的维度），第4个参数是name，是可选项，用于指定这个操作（Op）的名称，默认值为“Const”，在本范例代码中，我们给出特定的名称，这是为在后期绘制流程图方便。第5个参数是一个布尔值，它表明是否要验证张量形状，默认值为“False”，不验证。这5个参数除了第一个参数外，都有默认值，用户可以根据自己的需要指定第2~5个参数的值。
第05行代码实施乘法操作。与前面介绍的类似，在TensorFlow中，乘法也是一个标准的Op，multiply()函数原型为：
-
multiply( -
x, -
y, -
name=None -
)
在参数中，x和y都是两个标准的张量（可以是下列类型的任何一种，half, float32, float64, uint8, int8, uint16, int16, int32, int64, complex64, complex128），返回值是x*y的值，对这个Op也可以取一个名称name，默认值是“None”。在本范例中，我们取名为mul_c。
这里需要说明一点的是，在TensorFlow 1.0（2017年2月发布）以后，tf.mul,（乘法）、tf.sub（减法）和tf.neg（取负值）等API都已过时，分别被tf.multiply, tf.subtract 和tf.negative取代。
由于TensorFlow的社区非常活跃，用户提交了很多有价值的代码，因此它的版本迭代速度非常快，“不是我不明白，是你变化太快”，所以如果读者朋友在看到本书时，发现部分API过时了，版本号不是最新的，无需惊讶，因为这就是TensorFlow的调性。对于此类情况，多多查看TensorFlow的官方文档。（https://www.tensorflow.org/api_guides/python/），把握最新动态，才是正道。
第06~07行，表明加法操作，add( )函数的原型为：
-
add( -
x, -
y, -
name=None -
)
参数的含义和乘法类似，这里不再赘述。
当整个数据流图构建完毕后，虽然它在语法上不报错，但TensorFlow并不会实质性地去执行数据流图描述的计算。这是因为，我们还需要给这个数据流图添加一个会话（Session）。
第09行，就是定义一个会话。Session可理解为数据流图的运行环境。
第10行就是把数据流图的终点e作为会话运行run( )的参数，然后利用print打印run()的返回值。
由于开启一个会话，可能会耗费部分系统资源，一个良好的编程习惯就是用完一个会话之后，要关闭它，第11行干的就是这个工作。
当然，我们可以利用“with”上下文管理器在用完之后，自动关闭它，第09~11行代码可变更为：
-
with tf.Session() as sess: -
print(sess.run(e))
现在我们总结一下TensorFlow的工作流程，实际上它体现出来的是一个“惰性”方法论。
（1）构建一个计算图。图中的节点可以是TensorFlow支持的任何数学操作。
（2）初始化变量。将前期定义的变量赋初值。
（3）创建一个会话。这才是图计算开始的地方，也是体现它“惰性”的地方，也就是说，仅仅构建一个图，这些图不会自动执行计算操作，而是还要显式提交到一个会话去执行，也就是说，它的执行，是滞后的。
（4）在会话中运行图的计算。把编译通过的合法计算流图传递给会话，这时张量（tensor）才真正“流动（flow）”起来。
（5）关闭会话。当整个图无需再计算时，则关闭会话，以回收系统资源。
节选自 张玉宏《深度学习之美》部分章节，电子工业出版社，博文视点，2018年6月出版
To be continued~~~