以Go綁定實例理解TensorFlow
本文通過一個簡單的Go綁定實例，讓讀者一步一步地學習到Tensorflow有關ID、作用域、類型等方面的知識。以下是譯文。
Tensorflow并不是機器學習方面專用的庫，而是一個使用圖來表示計算的通用計算庫。它的核心是用C++實現的，并且還有不同語言的綁定。Go語言綁定是一個非常有用的工具，它與Python綁定不同，用戶不僅可以通過Go語言使用Tensorflow，還可以了解Tensorflow的底層實現。
綁定
Tensorflow的開發者正式發布了：
C++源代碼：真正的Tensorflow核心，實現了具體的高級和低級操作。
Python綁定和Python庫：這個綁定是由C++實現自動生成的，這樣我們可以使用Python來調用C++函數。此外，這個庫將調用融合到了綁定中，以便定義更高級別的API。
Java綁定。
Go綁定。
作為一個Go開發者而不是一個Java愛好者，我開始關注Go綁定，以便了解他們創建了什么樣的任務。
Go綁定
地鼠與Tensorflow的徽標
首先要注意的是，Go API缺少對Variable的支持：該API旨在使用已經訓練過的模型，而不是從頭開始訓練模型。安裝Tensorflow for Go的時候已經明確說明了：
TensorFlow提供了可用于Go程序的API。這些API特別適合于加載用Python創建并需要在Go程序中執行的模型。
如果我們對培訓ML模型不感興趣，萬歲！相反，如果你對培訓模型感興趣，那就有一個建議：
作為一個真正的Go開發者，保持簡單！使用Python定義并訓練模型；你可以隨時使用Go來加載并使用訓練過的模型！
簡而言之，go綁定可用于導入和定義常量圖；在這種情況下，常量指的是沒有經過訓練的過程，因此沒有可訓練的變量。
現在，開始用Go來深入學習Tensorflow吧：讓我們來創建第一個應用程序。
在下文中，我假設讀者已經準備好Go環境，并按照README（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/go/README.md）中的說明編譯并安裝了Tensorflow綁定。
理解Tensorflow結構
讓我們來重復一下什么是Tensorflow：
TensorFlow?是一款使用數據流圖進行數值計算的開源軟件庫。圖中的節點表示數學運算，而圖的邊表示在節點之間傳遞的多維數據數組（張量）。
我們可以把Tensorflow視為一種描述性語言，這有點像SQL，你可以在其中描述你想要的內容，并讓底層引擎（數據庫）解析你的查詢、檢查句法和語義錯誤、將其轉換為內部表示形式、進行優化并計算出結果：所有這一切都會給你正確的結果。
因此，當我們使用任何一個API時，我們真正做的是描述一個圖：當我們把圖放到Session中并顯式地在Session中運行圖時，圖的計算就開始了。
知道了這一點之后，讓我們試著來定義一個計算圖并在一個Session中進行計算吧。API文檔（https://godoc.org/github.com/tensorflow/tensorflow/tensorflow/go）為我們提供了（簡寫為）和包中所有方法的列表。
我們可以看到，這兩個包包含了我們需要定義和計算圖形的所有內容。
前者包含了構建一個基本的“空”結構（就像Graph本身）的功能，后者是包含由C++實現自動生成綁定的最重要的包。
然而，假設我們要計算A與x的矩陣乘法，其中
我假設讀者已經熟悉了tensorflow圖定義的基本思想，并且知道占位符是什么以及它們如何工作。下面的代碼是對Tensorflow Python綁定的第一次嘗試。我們來調用這個文件attempt1.go
代碼注釋的很詳細，希望讀者能閱讀每一行注釋。
現在，Tensorflow-Python用戶期望該代碼進行編譯并正常工作。我們來看看它是否正確：
這是他看到的結果：
等等，這里發生了什么？ 顯然，存在兩個名稱都為“Placeholder”的操作。
第一節課：節點ID
每當我們調用一個方法來定義一個操作時，Python API都會生成不同的節點，無論是否已經被調用過。下面的代碼返回3。
我們可以通過打印占位符的名稱來驗證此程序是否創建了兩個不同的節點：print（a.name，b.name）生成Placeholder:0 Placeholder_1:0，因此，b占位符是Placeholder_1:0，而a占位符是Placeholder:0。
在Go中，相反，之前的程序會執行失敗，因為A和x都命名為Placeholder。我們可以得出這樣的結論：
Go API不會在每次調用函數來定義操作的時候自動生成新的名字：操作的名字是固定的，我們無法修改。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%