目錄

1. 介紹

2.?什么是數據流圖（Data Flow Graph）？

3. 基本概念

3.1 計算圖（The computation graph）

1.?構建圖

2.?啟動圖

---

1. 介紹

? ? ? ?TensorFlow是一個采用數據流圖（data flow graphs），用于數值計算的開源軟件庫。TensorFlow 最初由Google大腦小組（隸屬于Google機器智能研究機構）的研究員和工程師們開發出來，用于機器學習和深度神經網絡方面的研究，但這個系統的通用性使其也可廣泛用于其他計算領域。它是谷歌基于DistBelief進行研發的第二代人工智能學習系統。2015年11月9日，Google發布人工智能系統TensorFlow并宣布開源。?

2.?什么是數據流圖（Data Flow Graph）？

? ? ? ? 數據流圖用“節點”(nodes)和“線”（edges）的有向圖來描述數學計算。“節點”一般用來表示施加的數學操作，但也可以表示數據輸入（feed in）的起點/輸出（push out）的終點，或者是讀取/寫入持久變量（persistent variable）的終點。“線”表示“節點”之間的輸入/輸出關系。這些數據“線”可以運輸“size可動態調整”的多維數組，即“張量”（tensor）。一旦輸入端所有張量準備好，節點將被分配到各種計算設備完成異步并行地執行計算。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??? ? ? ? ? ? ? ??

3. 基本概念

?使用TensorFlow前必須明白的基本概念：?

• 圖（Graph）：圖描述了計算的過程，TensorFlow使用圖來表示計算任務。?
• 張量（Tensor）：TensorFlow使用tensor表示數據。每個Tensor是一個類型化的多維數組。?
• 操作（op）：圖中的節點被稱為op（operation的縮寫），一個op獲得0個或多個Tensor，執行計算，產生0個或多個Tensor。 op=節點
• 會話（Session）：圖必須在稱之為“會話”的上下文中執行。會話將圖的op分發到諸如CPU或GPU之類的設備上執行。?
• 變量（Variable）：運行過程中可以被改變，用于維護狀態。

3.1 計算圖（The computation graph）

? ? ? ?Tensorflow是一種計算圖模型，即用圖的形式來表示運算過程的一種模型。Tensorflow程序一般分為圖的構建和圖的執行兩個階段。構建階段，也稱為圖的定義階段，在構建階段op的執行步驟被描述成一個圖，每次運算的的結果以及原始的輸入數據都可稱為一個節點（operation ，縮寫為op）。在執行階段，使用會話執行圖中的op。

1.?構建圖

? ? ? ?構建階段：只在圖中定義所需要的運算，而沒有去執行運算

? ? ? ?構建圖的第一步是創建源op（sources op）。源op不需要任何輸入，例如常量（Constant）。源op的輸出被傳遞給其他op做運算。

? ? ? 在TensorFlow的Python庫中，op構造器的返回值代表這個op的輸出。這些返回值可以作為輸入傳遞給其他op構造器。

? ? ? TensorFlow的Python庫中包含了一個默認的graph，可以在上面使用添加節點。如果你的程序需要多個graph那就需要使用Graph類管理多個graph。

import tensorflow as tf# 創建一個常量 op, 產生一個 1x2 矩陣. 這個 op 被作為一個節點，加到默認圖中。構造器的返回值代表該常量 op 的返回值. matrix1 = tf.constant([[3., 3.]])# 創建另外一個常量 op, 產生一個 2x1 矩陣. matrix2 = tf.constant([[2.],[2.]])# 創建一個矩陣乘法 matmul op , 把 'matrix1' 和 'matrix2' 作為輸入。返回值 'product' 代表矩陣乘法的結果. product = tf.matmul(matrix1, matrix2)

? ? ? ? 默認圖中包含了3個節點：兩個constant() op和一個matmul() op。為了真正的執行矩陣相乘運算，并得到矩陣乘法的結果，你必須在會話中啟動這個圖。

2.?啟動圖

? ? ? ?執行階段：也就是在會話（session）中執行圖模型中定義好的運算。

? ? ? ?構造階段完成后，才能在會話中啟動圖。啟動圖的第一步是創建一個Session對象。如果沒有任何參數，會話構造器將啟動默認圖。

# 啟動默認圖模型 sess = tf.Session()# 調用run()方法啟動、運行圖模型 result = sess.run(product) print result # ==> [[ 12.]]# 任務完成, 關閉會話. sess.close()# 調用 sess 的 'run()' 方法來執行矩陣乘法 op, 傳入 'product' 作為該方法的參數. # 上面提到, 'product' 代表了矩陣乘法 op 的輸出, 傳入它是向方法表明, 我們希望取回 # 矩陣乘法 op 的輸出. # # 整個執行過程是自動化的, 會話負責傳遞 op 所需的全部輸入. op 通常是并發執行的. # # 函數調用 'run(product)' 觸發了圖中三個 op (兩個常量 op 和一個矩陣乘法 op) 的執行. # # 返回值 'result' 是一個 numpy `ndarray` 對象.

Session對象在使用完成或需要關閉以釋放資源。除了顯示調用close外，也可以使用“with”代碼塊來自動完成關閉動作。

with tf.Session() as sess: result = sess.run([product]) print result

? ? ? ?此外，我們還可以利用CPU或GPU等計算資源分布式執行圖的運算過程。一般我們無需顯示的指定計算資源，Tensorflow可以自動地進行識別，如果檢測到我們的GPU環境，會優先的利用GPU環境執行我們的程序。但如果我們的計算機中有多于一個可用的GPU，這就需要我們手動的指派GPU去執行特定的op。

? ? ? ?如果檢測到GPU，TensorFlow會使用第一個GPU來執行操作。如果機器上有多個GPU，除第一個GPU外的其他GPU是不參與計算的，為了使用這些GPU，你必須將op明確指派給他們執行。with…Device語句用來指派特定的CPU或GPU執行操作：

with tf.Session() as sess:with tf.device("/gpu:1"):matrix1 = tf.constant([[3., 3.]])matrix2 = tf.constant([[2.],[2.]])product = tf.matmul(matrix1, matrix2) ...

設備用字符串進行標識. 目前支持的設備包括:?

• “/cpu:0”: 機器的 CPU.?
• “/gpu:0”: 機器的第一個 GPU, 如果有的話.?
• “/gpu:1”: 機器的第二個 GPU, 以此類推.

? ? ? ?Tensorflow中還提供了默認會話的機制，我們通過調用函數as_default()生成默認會話。

import tensorflow as tfmatrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2)sess = tf.Session() with sess.as_default():print(sess.eval())

? ? ? ? 我們在啟動默認會話后，可以通過調用eval()函數，直接輸出變量的內容。

? ? ? ? 有時，我們需要在Jupyter或IPython等python交互式環境開發。Tensorflow為了滿足用戶的這一需求，提供了一種專門針對交互式環境開發的方法InteractiveSession()：

import tensorflow as tfmatrix1 = tf.constant([[3., 3.]]) matrix2 = tf.constant([[2.],[2.]]) product = tf.matmul(matrix1, matrix2)sess = tf.InteractiveSession() print(sess.eval())

? ? ? ? 以上就是交互式環境中經常會使用的InteractiveSession()方法，其創建sess對象后，可以直接輸出運算結果。

? ? ? ?為什么Tensorflow要使用圖模型？圖模型有什么優勢呢？

? ? ? ?首先，圖模型的最大好處是節約系統開銷，提高資源的利用率，可以更加高效的進行運算。因為我們在圖的執行階段，只需要運行我們需要的op,這樣就大大的提高了資源的利用率；其次，這種結構有利于我們提取中間某些節點的結果，方便以后利用中間的節點去進行其它運算；還有就是這種結構對分布式運算更加友好，運算的過程可以分配給多個CPU或是GPU同時進行，提高運算效率；最后，因為圖模型把運算分解成了很多個子環節，所以這種結構也讓我們的求導變得更加方便。

參考：

1.?Tensorflow中文社區

2.?TensorFlow 教程 - 新手入門筆記

總結

以上是生活随笔為你收集整理的TensorFlow入门：计算图的全部內容，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。