使用TensorFlow的基本步骤
- 图协议缓冲区
- 执行（分布式）图的运行时
tf.estimator API
Tensorflow编程概念
学习目标：
学习 TensorFlow 编程模型的基础知识，重点了解以下概念：
- 张量
- 指令
- 图
- 会话
- 构建一个简单的 TensorFlow 程序，使用该程序绘制一个默认图并创建一个运行该图的会话
概念概览
TensorFlow 的名称源自张量，张量是任意维度的数组。借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：
- 标量是零维数组（零阶张量）。例如，
\'Howdy\'或5 - 矢量是一维数组（一阶张量）。例如，
[2, 3, 5, 7, 11]或[5] - 矩阵是二维数组（二阶张量）。例如，
[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]
TensorFlow 指令会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。
TensorFlow 图（也称为计算图或数据流图）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。
张量可以作为常量或变量存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。
要定义常量，请使用 tf.constant 指令，并传入它的值。例如：
x = tf.constant([5.2])
同样，您可以创建如下变量：
y = tf.Variable([5])
或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：
y = tf.Variable([0])
y = y.assign([5])
定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。
图必须在 TensorFlow 会话中运行，会话存储了它所运行的图的状态：
将 tf.Session() 作为会话：
initialization = tf.global_variables_initializer()
print y.eval()
在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。
注意：会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。有关详情，请参阅分布式 TensorFlow。
总结
TensorFlow 编程本质上是一个两步流程：
- 将常量、变量和指令整合到一个图中。
- 在一个会话中评估这些常量、变量和指令。
创建一个简单的Tensorflow程序
import
语句。 当然，运行 TensorFlow 程序所需的
import
语句组合取决于您的程序将要访问的功能。至少，您必须在所有 TensorFlow 程序中添加
import tensorflow
语句：
import tensorflow as tfGraph
，以便跟踪状态（例如，您可能希望在每个单元格中使用一个不同的
Graph
）。
import tensorflow as tf
# Create a graph.
g = tf.Graph()
# Establish the graph as the "default" graph.
with g.as_default():
# Assemble a graph consisting of the following three operations:
# * Two tf.constant operations to create the operands.
# * One tf.add operation to add the two operands.
x = tf.constant(8, name="x_const")
y = tf.constant(5, name="y_const")
sum = tf.add(x, y, name="x_y_sum")
# Now create a session.
# The session will run the default graph.
with tf.Session() as sess:
print sum.eval()