TF學習筆記1

一、關於tensorflow的基本概念

tensorflow的計算模型、資料模型、執行模型，主要是一些理論概念的整理。

1、tensorflow的計算模型——計算圖

tensor—張量，即可簡單理解為多維陣列，表明其資料結構。

flow—流，直觀的表達了張量之間通過計算相互轉化的過程，體現其計算模型。

tensorflow—乙個通過計算圖的形式來表述計算的程式設計系統，tensorflow中的每乙個計算都會被轉化為計算圖上的乙個節點，而節點之間的邊表述了計算之間的依賴關係。

2、tensorflow的資料模型——張量

即tensorflow管理資料的形式。

在tensorflow程式中，所有的資料都通過張量的形式來表示，可簡單理解為多維陣列。但張量在tf中的實現並不是直接採用陣列的形式，它只是對tf中運算結果的引用。在張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。

張量的使用有以下兩類：

1）對中間計算結果的引用，主要是提高可閱讀性，同時方便獲取中間結果。比如在cnn中，卷積層或者池化層有可能改變張量的維度，通過result.get_shape函式來獲取結果張量的維度資訊可以免去人工計算的麻煩。

2）獲得計算結果，即得到真實的數字。張量本身並沒有儲存具體的數字，但通過會話session就可以得到這些具體的數字。

3、tensorflow的執行模型——會話

使用會話來執行定義好的運算。會話擁有並管理tf程式執行時的所有資源。

tf使用會話一般有兩種模式：

1）明確呼叫會話生成函式和關閉會話函式

sess=tf.session()//建立乙個會話

sess.run()//使用會話得到運算結果

sess.close()//關閉會話，釋放資源

由於該情況可能會出現異常退出導致無法執行關閉會話的函式，從而使資源洩露的問題。

解決方法：tf通過python的上下文管理器來使用會話。

with tf.session() as sess:

sess.run(...)

2)通過設定缺省會話計算張量的取值

sess=tf.session()

with sess.as_default():

print(result.eval())