tensorflow的構建流程

tf.Graph（） 表示實例化了一個類，一個用于 tensorflow 計算和表示用的數據流圖，通俗來講就是：在代碼中添加的操作（畫中的結點）和數據（畫中的線條）都是畫在紙上的“畫”，而圖就是呈現這些畫的紙，你可以利用很多線程生成很多張圖，但是默認圖就只有一張。

例如有如下代碼：

import tensorflow as tf

g = tf.Graph（）

## add nodes to the graph

with g.as_default（）：

a = tf.constant（1， name=‘a’）

b = tf.constant（2， name=‘b’）

c = tf.constant（3， name=‘c’）

z = 2 * （a - b） + c

## launch the graph

with tf.Session（graph=g） as sess：

writer = tf.summary.FileWriter（“E://PycharmProjects//Graph”， g）

print（‘2*（a-b）+c =》 ’， sess.run（z））

打開cmd命令行，輸入tensorboard --logdir=E：\PycharmProjects\Graph

回車后，打開google瀏覽器，輸入得的的網址即可看到 我們生成的流程圖了：

TensorFlow執行流程

TensorFlow的基礎運算

在搞神經網絡之前，先讓我們把TensorFlow的基本運算，也就是加減乘除搞清楚。

首先，TensorFlow有幾個概念需要進行明確：

1 圖（Graph）：用來表示計算任務，也就我們要做的一些操作。

2 會話（Session）：建立會話，此時會生成一張空圖；在會話中添加節點和邊，形成一張圖，一個會話可以有多個圖，通過執行這些圖得到結果。如果把每個圖看做一個車床，那會話就是一個車間，里面有若干個車床，用來把數據生產成結果。

3 Tensor：用來表示數據，是我們的原料。

4 變量（Variable）：用來記錄一些數據和狀態，是我們的容器。

5 feed和fetch：可以為任意的操作（arbitrary operation） 賦值或者從其中獲取數據。相當于一些鏟子，可以操作數據。

形象的比喻是：把會話看做車間，圖看做車床，里面用Tensor做原料，變量做容器，feed和fetch做鏟子，把數據加工成我們的結果。

2.1 創建圖和運行圖：

下面我們創建一個圖，并在Session中執行它，不用擔心看不懂，每句代碼都會注釋，只有有編程基礎，都能OK：

上面就是用TensorFlow進行了一個最簡單的矩陣乘法。

2.2 創建一個變量，并用for循環對變量進行賦值操作

可以看到，除了變量創建稍微麻煩一些和必須建立session來運行，其他的操作基本和普通Python一樣。

2.3 通過feed設置placeholder的值

有的時候，我們會在聲明變量的時候不賦值，計算的時候才進行賦值，這個時候feed就派上用場了。

責任編輯：YYX