TensorFlow从入门到实践:TensorFlow基础-从张量到图与会话

TensorFlow基础概念实践

学习目标

通过本课程的学习，学员将掌握TensorFlow中的基本概念，包括张量、图、会话（在TensorFlow 1.x中）和Eager Execution（在TensorFlow 2.x中）。通过实践了解如何在TensorFlow中创建和操作张量，以及如何使用图和会话来执行计算。

相关知识点

• TensorFlow基础概念实践

学习内容

1 TensorFlow基础概念实践

1.1 张量

张量的概念

在TensorFlow中，张量（Tensor）是所有数据的载体，可以理解为多维数组。张量的维度称为阶（Rank），例如，一个标量（单个数字）是一个0阶张量，一个向量是一阶张量，一个矩阵是二阶张量，以此类推。张量不仅包含数值数据，还包含了数据的类型（如int32、float32等）和形状（shape），形状描述了张量在每个维度上的大小。

张量是TensorFlow中进行计算的基本单位，所有的计算都是在张量上进行的。张量的创建、操作和转换是TensorFlow编程的基础。

创建张量

在TensorFlow中，可以通过多种方式创建张量。最直接的方式是使用tf.constant函数，该函数可以将Python列表或NumPy数组转换为张量。下面是一些创建张量的例子：

%pip install tensorflow

import tensorflow as tf

# 创建一个标量
scalar = tf.constant(5)
print(scalar)

# 创建一个向量
vector = tf.constant([1, 2, 3])
print(vector)

# 创建一个矩阵
matrix = tf.constant([[1, 2], [3, 4]])
print(matrix)

操作张量

张量支持多种数学运算，如加法、减法、乘法等。这些运算可以通过TensorFlow提供的函数来实现。例如，可以使用tf.add来执行张量的加法操作：

# 创建两个张量
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5, 6])

# 执行加法操作
c = tf.add(a, b)
print(c)

1.2 图与会话

图的概念

在TensorFlow中，计算是通过构建计算图（Graph）来实现的。计算图是一个有向无环图（DAG），节点表示操作（如加法、乘法等），边表示数据流（张量）。计算图的构建和执行是分开的，首先定义图，然后在会话中执行图。

创建和使用图

在TensorFlow中，可以通过tf.Graph来创建一个新的计算图。默认情况下，TensorFlow会使用一个全局的默认图，但也可以创建多个图来组织不同的计算。

# 创建一个新的计算图
graph = tf.Graph()

# 将计算图设置为默认图
with graph.as_default():
    # 在图中定义操作
    a = tf.constant(5, name='a')
    b = tf.constant(3, name='b')
    c = tf.add(a, b, name='c')

会话的概念

会话（Session）是TensorFlow中执行计算图的环境。通过会话，可以启动图中的操作，并获取操作的结果。会话负责分配资源并执行图中的操作。

创建和使用会话

在TensorFlow中，可以通过tf.Session来创建一个会话。会话可以启动图中的操作，并获取操作的结果。

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()  # 关闭V2行为

# 创建会话（现在可用tf.Session）
with tf.Session(graph=graph) as sess:
    result = sess.run(c)
    print(result)  # 输出: 8

1.3 Eager Execution

Eager Execution的概念

在TensorFlow中，默认启用了Eager Execution模式。Eager Execution是一种即时执行模式，它可以立即执行操作并获取结果，而不需要构建计算图。这种模式使得TensorFlow的使用更加直观和灵活，特别适合于调试和快速原型设计。

启用和使用Eager Execution

在TensorFlow中，Eager Execution是默认启用的。可以在代码中直接执行操作并获取结果，而不需要创建图和会话。

# 启用Eager Execution（在TensorFlow 2.x中默认启用）
tf.enable_eager_execution()

# 直接执行操作
a = tf.constant(5)
b = tf.constant(3)
c = a + b
print(c)

Eager Execution的优势

Eager Execution模式使得TensorFlow的使用更加直观和灵活。可以立即看到操作的结果，而不需要构建和执行计算图。这对于调试和快速原型设计非常有用。此外，Eager Execution还支持动态图，可以在运行时根据输入数据动态地构建计算图。