本文希望以最精简的语言记录并解释tensorflow使用中遇到的疑惑。与API学习不同的是，这篇用于记录tensorflow特有的机制，如：会话机制，variable_scope用法等系列问题。
tensorflow 广播测试
a = tf.constant([[[1, 1, 1], [2, 2, 2]],
[[3, 3, 3], [4, 4, 4]],
[[5, 5, 5], [6, 6, 6]]])
b = tf.constant([[[1, 1, 1], [1, 1, 1]]])
c = a - b
sess = tf.Session()
a_shape, b_shape, c_shape = sess.run([tf.shape(a), tf.shape(b), tf.shape(c)])
print(sess.run(c))
print("a.shape: ", a_shape)
print("b.shape: ", b_shape)
print("c.shape: ", c_shape)
结果如下：
[[[0 0 0]
[1 1 1]]
[[2 2 2]
[3 3 3]]
[[4 4 4]
[5 5 5]]]
a.shape: [3 2 3]
b.shape: [1 2 3]
c.shape: [3 2 3]如代码所示，tensorflow能完成正常的广播功能，类似于numpy。即一个[3,2,3]维的变量和一个[1,2,3]维的变量做运算操作后，是不会报错的，而且得到结果的形状为[3,2,3]，我们就说tensorflow具备了广播功能。
tf.Graph().as_default()
a = tf.constant(value=1)
print("a.graph: ", a.graph) # 打印此时a所在的图
print("a.name: ", a.name) # 打印a此时的名字
print("default graph: ", tf.get_default_graph()) # 打印默认图的名字
print("="*50)
graph1 = tf.Graph() # 定义了一个新的图graph1
print("graph1: ", graph1)
b = tf.constant(value=2)
print("b.graph: ", b.graph) # 测试此时b所在的图
print("b.name: ", b.name) # 测试此时b的名字
with graph1.as_default():
c1 = tf.constant(value=3) # 在graph1中定义变量c1
print("c1.graph: ", c1.graph) # 测试此时c1所在的图
print("c1.name: ", c1.name) # 测试此时c1的名字
print("-" * 50)
c2 = tf.constant(value=3) # 在graph1中定义变量c2
print("c2.graph: ", c2.graph) # 测试此时c2所在的图
print("c2.name: ", c2.name) # 测试此时c2的名字
print("-" * 50)
print("c1.graph: ", c1.graph) # 测试在with语句外，c1的名字
print("c1.name: ", c1.name) # 测试在with语句外，c1所在的图
print("="*50)
graph2 = tf.Graph()
print("graph2: ", graph2)
graph2.as_default()
d = tf.constant(value=4)
print("d.graph: ", d.graph)
print("d.name: ", d.name)
结果如下：
a.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215B7072FD0>
a.name: Const:0
default graph: <tensorflow.python.framework.ops.Graph object at 0x00000215B7072FD0>
==================================================
graph1: <tensorflow.python.framework.ops.Graph object at 0x00000215BD368CC0>
b.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215B7072FD0>
b.name: Const_1:0
c1.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215BD368CC0>
c1.name: Const:0
--------------------------------------------------
c2.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215BD368CC0>
c2.name: Const_1:0
--------------------------------------------------
c1.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215BD368CC0>
c1.name: Const:0
==================================================
graph2: <tensorflow.python.framework.ops.Graph object at 0x00000215BD368FD0>
d.graph: <tensorflow.python.framework.ops.Graph object at 0x00000215B7072FD0>
d.name: Const_2:0通过上述代码的测试，我们了解到以下几点：
- tensorflow会默认创建一个图，所有命名的变量若是没有指定图，就会创建在默认图中
- tf.Graph()可以定义一个新的图，搭配with, as_default()使用的话，新创建的变量会创建在新的图中
- 若是使用tf.Graph()定义了新图，但没有搭配with使用，那么新创建的变量仍然存在于默认的图中
- tensorflow中constant的命名方式：Const, Const_1, Const_2，如下类推
- 即使不在with下，在with中定义的变量名，也会具备with图的属性。即一旦定义完，变量所在的图就固定了
tf.nn.conv2d_transpose()
大部分做图像生成的朋友们都会用到反卷积，那么反卷积图像的输出大小到底如何计算呢？反卷积到底经历了什么过程呢？
# 定义一个输入
x = tf.ones(shape=[1, 3, 3, 3], dtype=tf.float32)
# 定义反卷积的filter
weight = tf.ones(shape=[3, 3, 6, 3], dtype=tf.float32)
# 进行反卷积操作
x_ = tf.nn.conv2d_transpose(x, weight, [1, 6, 6, 6], [1,2,2,1], padding='SAME')
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
_x = sess.run(x_)
print("_x.shape: ", _x.shape)
输出结果：
_x.shape: (1, 6, 6, 6)在padding='VALID'情况下，反卷积的输出大小就是卷积的逆运算。我们今天着重强调padding='SAME'的情况，并讲解一下反卷积的几个重点：
- 反卷积操作本质还是卷积，tensorflow根据你输入：反卷积filter，stride, padding，首先可以计算出输出的大小；
- 当padding='SAME'时，output_shape = input_shape * stride = 3 * 2 = 6，和你在conv2d_transpose()中指定的大小一致，tensorflow就不报错，程序继续往下走；
- 为什么说反卷积操作本质还是卷积，当tensorflow匹配完形状没问题之后，会给根据输出的形状给输入加padding，当padding='SAME'的模式下，padding_shape = output_shape * stride = input_shape * stride * stride，然后在这个padding_shape的中间变量上做卷积操作得到最后的输出output；
- 大家可借助博客：https://blog.csdn.net/sinat_29957455/article/details/85558870来详细理解反卷积的原理
备注：本文为作者原创，转载需注明出处！