Tensorflow基础学习极简版

一、知识框架

二、内容概述

2.1 定义

TensorFlow是一个采用数据流图，用于数值计算的开源软件库。

2.2 特征

• 高度的灵活性
  将计算表示为一个数据流图，构建图，描写驱动计算的内部循环，就可以使用Tensorflow
• 真正的可移植性
  Tensorflow 在CPU和GPU上运行，比如说可以运行在台式机、服务器、手机移动设备等等。
• 自动求微分
  只需要定义预测模型的结构，将这个结构和目标函数（objective function）结合在一起，并添加数据，Tensorflow将自动为你计算相关的微分导数
• 多语言支持
  Tensorflow 有一个合理的c++使用界面，也有一个易用的python使用界面来构建和执行graphs。
• 性能最优化
  由于Tensorflow 给予了线程、队列、异步操作等以最佳的支持，可以将硬件的计算潜能全部发挥出来。用户可以自由地将Tensorflow图中的计算元素分配到不同设备上，Tensorflow可以管理好这些不同副本。

2.3 基本用法

通常需要经过三个步骤：构图(准备数据集)->启动Session(为了运算)->释放资源

2.3.1 构图

图中的股东被称为op （operation的缩写，即操作对象）。一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。每个Tensor是一个类型化的多维数组。
op不需要特殊的输入，通常可以是常数、矩阵乘法 matmul op等。

import tensorflow as tf
# 构造器的返回值代表该常量 op 的返回值.
matrix1 = tf.constant([[3., 3.]])# 创建一个常量 op, 1x2 矩阵. 这个 op 被作为一个节点,加到默认图中.
matrix2 = tf.constant([[2.],[2.]])# 创建另外一个常量 op,  2x1 矩阵.
# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
# 返回值 'product' 代表矩阵乘法的结果.
product = tf.matmul(matrix1, matrix2)

但是这只是构建，计算并没有开始，需要将默认图加入到Session会话中才能进行运算。接下来在2.3.2继续介绍。

2.3.2 计算过程

为了进行计算，图必须在Session里被启动。 会话将图的op分发到CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的张量返回。在Python语言中，返回的tensor是 numpy ndarray对象; 在C和C ++语言中，返回的tensor是 tensorflow::Tensor实例。
过程：启动默认图->传入想要取回的参数->op并发执行->

sess = tf.Session()