tensorflow程序一般分為兩個階段，在第一個階段需要定義圖中所有的計算。在第二個階段就是執行計算。

1. 計算圖的使用

首先在tensorflow的程序中系統會維護一個默認的計算圖，通過tf.get_default_graph()可以獲取當前默認的計算圖。

• 下面展示了 如何獲得一個運算所屬的計算圖以及默認的計算圖：

import tensorflow as tf a = tf.constant([1.0, 2.0], name="a") b = tf.constant([2.0, 3.0], name="b") result = a + b print(result) # 查看張量所屬的計算圖 print(a.graph) print(tf.get_default_graph()) # 沒有特別指定計算圖，所以張量所屬圖應該是默認的計算圖 print(a.graph is tf.get_default_graph())

運算結果：

Tensor("add_4:0", shape=(2,), dtype=float32) <tensorflow.python.framework.ops.Graph object at 0x119d8c550> <tensorflow.python.framework.ops.Graph object at 0x119d8c550> True

• 除了使用默認的計算圖，tensorflow還支持通過tf.Graph函數獲得新的計算圖，這樣的話不同的計算圖上的張量和運算都不會共享。

import tensorflow as tf# 產生第一個計算圖g1 g1 = tf.Graph() with g1.as_default():# 在g1計算圖中定義變量v，并設置初始值為0v = tf.get_variable("v", [2], initializer = tf.zeros_initializer()) # 產生第二個計算圖g2 g2 = tf.Graph() with g2.as_default():# 在g2計算圖中定義變量v，并設置初始值為1v = tf.get_variable("v", [1], initializer = tf.ones_initializer()) # # 在計算圖g1中讀取變量v的取值 with tf.Session(graph = g1) as sess:tf.global_variables_initializer().run()with tf.variable_scope("", reuse=True):print(sess.run(tf.get_variable("v")))# 在計算圖g1中讀取變量v的取值 with tf.Session(graph = g2) as sess:tf.global_variables_initializer().run()with tf.variable_scope("", reuse=True):print(sess.run(tf.get_variable("v")))

運算結果：

runfile('/Users/lilong/Desktop/tt.py', wdir='/Users/lilong/Desktop') [0. 0.] [1.]

由運行結果可以看出，每個計算圖中定義了名稱相同的“v“變量，但是定義了不同的初始值，運行結果也顯示值不同，可以看出不同的計算圖可以獨立運行，變量不會沖突。tensorflow不僅可以隔離運算張量，還可以指定運算的設備（tf.Graph.device），也即是管理張量的計算機制，這也就為tensorflow使用gpu提供了機制。示例：

g=tf.Graph() # 指定計算運行的設備 with g.device('/gpu:0'):result=a+b

2. 張量

在tensorflow中所有的數據都是通過張量的形式表示的，張量也可以被簡單理解為多維數組。其中0階張量就是標量，也就是一個數；一階張量為向量，也就是一維數組；n階張量可以理解為一個n維數組。但是張量的實現并不是直接采用數組的形式，他只是對tensorflow運算結果的一個引用，里面保存的并不是真正的數字結果，保存的而是這些數字的計算過程，這也是為什么tensorflow程序初始化后還要打開會話運行才能得到張量的運算結果。

import tensorflow as tf a = tf.constant([1.0, 2.0], name="a") b = tf.constant([2.0, 3.0], name="b") result=tf.add(a,b,name='add') print('result:',result)

結果：

result: Tensor("add:0", shape=(2,), dtype=float32)

這里的顯示表明得到的結果是一個張量的結構，并沒有進行真正的計算。這里顯示了張量的三個屬性：名字、維度、類型。
張量的第一個屬性名字是其唯一的標示符，同樣也給出了該標量是如何計算出來的。其命名方式是：node：src_output的形式。其中node是節點的名稱，src_output表示當前張量來自節點的第幾個輸出。
張量的第二個屬性是張量的維度。比如上述的shape(2,)就代表是個一維數組，長度為2。
張量的第三個屬性是類型。這里要注意的是tensorflow會對運算的所有張量進行類型檢查，當發現不匹配時會報錯，即是運算的張量類型必須一致。

張量的兩個用途：

• 第一個是對中間結果的引用。當一個計算模型很復雜時，會包含很多的中間計算結果，通過張量可以大大提高代碼的可讀性。
• 第二個用處是當計算圖構造完成時，通過張量可以獲得計算結果，也就是真實的數值。雖然張量本身沒有存儲具體的數字，但通過會話tf.session().run(result)就可以得到具體的數字。這里的意思也就是說，通過張量可以大大使代碼明了清晰，會話計算結果時不用引用一大段定義和參數，直接應用一個定義好的張量就可以了。

3. 會話

在定義好所有的運算之后，會話擁有并管理tensorflow的程序運行時的所有資源，當所有的計算完成后需要關閉會話并幫助系統收回資源，否則會出現資源泄漏的問題。

3.1 tensorflow的會話有兩種形式：

• 第一種是需要明確調用的會話生成函數和關閉會話函數。

# 創建一個會話。 sess = tf.Session() # 使用會話得到之前計算的結果。 print(sess.run(result)) # 關閉會話使得本次運行中使用到的資源可以被釋放。 sess.close()

使用第一種模式，在所有的計算完成后，需要明確調用session.close()函數來關閉會話，并釋放資源，但是由于一些原因，關閉會話可能不會被執行從而導致資源泄漏。所以不推薦這種方式來使用會話。

• 第二種是使用python的上下文管理器來使用會話。

# 不需要再調用session.close()來關閉會話，當上下文退出時會話關閉和資源釋放也自動完成了 with tf.Session() as sess:print(sess.run(result))

這里是使用python的上下文管理器來的機制來管理這個會話，這樣即解決了異常退出時資源釋放的問題，同時也解決了忘記調用session.close函數而產生的資源泄漏。

3.2 指定默認會話

上面介紹過說tensorflow會自動生成一個默認的計算圖，如果沒有指定，運算會自動加入這個計算圖中。tensorflow會話也有類似的機制，但其不會自動生成默認的會話，而需要手動指定默認會話，當默認的會話被指定后就可以通過tf.tensor.eval()函數來計算一個張量的取值了。

sess = tf.Session() with sess.as_default():print(result.eval())

而上述計算result的方法還可以通過以下方式實現：

sess = tf.Session() # 下面的兩個命令有相同的功能。 print(sess.run(result)) # 會話調用計算 print(result.eval(session=sess)) # 張量直接eval計算

• 這里還有一種：使用tf.InteractiveSession構建會話：

在交互式環境下（比如python），通過設置默認會話的方式來獲取張量更加方便，所以tendorflow提供了一種交互式環境下直接構建默認會話的函數，那就是 tf.InteractiveSession，這個函數會自動將生成的會話注冊為默認會話：

sess = tf.InteractiveSession () # 默認會話下的直接張量調用計算 print(result.eval()) sess.close()

通過tf.InteractiveSession函數可以省去將產生的會話注冊為默認會話的過程。

• 通過ConfigProto配置會話

config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True) sess1 = tf.InteractiveSession(config=config) sess2 = tf.Session(config=config)

通過ConfigProto可以配置類似并行的線程數、gpu分配策略、運算超時時間等參數，在這些參數中，最常用的有兩個。
第一個是allow_soft_placement：當為true時，在某些情況下（gpu無法直接計算）可以將gpu的計算放到cpu上進行。這個參數的默認值為false，但是一般情況下都設置為true，這個是為了使代碼的可移植性更強。也即是在某些情況下gpu無法計算，在不報錯的情況下可以移植到cpu上繼續計算。
第二個參數是log_device_placement，當為true時日志中將會記錄每個節點被安排在了哪個設備上方便調試。而在生產環境中將這個參數設為false可以減少日志量。

以上只是tensorflow的一些基礎，但很有必要要掌握。

參考：《Tensorflow實戰Google深度學習框架》

總結

以上是生活随笔為你收集整理的tensorflow入门基础的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。