tensorflow的构建流程

tensorflow的构建流程

tf.Graph（） 表示实例化了一个类，一个用于 tensorflow 计算和表示用的数据流图，通俗来讲就是：在代码中添加的操作（画中的结点）和数据（画中的线条）都是画在纸上的“画”，而图就是呈现这些画的纸，你可以利用很多线程生成很多张图，但是默认图就只有一张。

例如有如下代码：

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））

打开cmd命令行，输入tensorboard --logdir=E：\PycharmProjects\Graph

回车后，打开google浏览器，输入得的的网址即可看到 我们生成的流程图了：

TensorFlow执行流程

TensorFlow的基础运算

在搞神经网络之前，先让我们把TensorFlow的基本运算，也就是加减乘除搞清楚。

首先，TensorFlow有几个概念需要进行明确：

1 图（Graph）：用来表示计算任务，也就我们要做的一些操作。

2 会话（Session）：建立会话，此时会生成一张空图；在会话中添加节点和边，形成一张图，一个会话可以有多个图，通过执行这些图得到结果。如果把每个图看做一个车床，那会话就是一个车间，里面有若干个车床，用来把数据生产成结果。

3 Tensor：用来表示数据，是我们的原料。

4 变量（Variable）：用来记录一些数据和状态，是我们的容器。

5 feed和fetch：可以为任意的操作（arbitrary operation） 赋值或者从其中获取数据。相当于一些铲子，可以操作数据。

形象的比喻是：把会话看做车间，图看做车床，里面用Tensor做原料，变量做容器，feed和fetch做铲子，把数据加工成我们的结果。

2.1 创建图和运行图：

下面我们创建一个图，并在Session中执行它，不用担心看不懂，每句代码都会注释，只有有编程基础，都能OK：

上面就是用TensorFlow进行了一个最简单的矩阵乘法。

2.2 创建一个变量，并用for循环对变量进行赋值操作

可以看到，除了变量创建稍微麻烦一些和必须建立session来运行，其他的操作基本和普通Python一样。

2.3 通过feed设置placeholder的值

有的时候，我们会在声明变量的时候不赋值，计算的时候才进行赋值，这个时候feed就派上用场了。

责任编辑：YYX