深度学习之TensorFlow

一、定义

TensorFlow ：是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。

节点：一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读

取/写入持久变量（persistent variable）的终点。

线：表示"节点"之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。

二、工作过程

TensorFlow整个算法包含三个部分，分别是计算图、张量和模型会话

2.1、计算图

计算图是TensorFlow整个框架，按照计算图启动一个会话，通过会话中完成变量赋值、计算等操作，得到结果。整个计

算图分为两个部分。

（1）构造部分：主要工作是创建源节点和源节点输出传递给其他节点做运算

（2）执行部分：通过session执行图中的计算

2.2、张量

在TensorFlow中，张量是对运算结果的引用，运算结果多以数组的形式存储，与numpy中数组不同的是张量还包含三个

重要属性名字、维度、类型。张量的名字，是张量的唯一标识符，通过名字可以发现张量是如何计算出来的。比如"add:0"代表

的是计算节点"add"的第一个输出结果。维度和类型与数组类似。

2.3、模型会话

用来执行构造好的计算图，同时会话拥有和管理程序运行时的所有资源。当计算完成之后，需要通过关闭会话来帮助系统回

收资源。

在TensorFlow中使用会话有两种方式，第一种需要明确调用会话生成函数和关闭会话函数：

# 创建session session = tensorflow.Session() #获取运算结果 session.run() #关闭会话,释放资源 session.close()

第二种可以使用with的方式：

with tf.Session() as session: session.run()