TensorFlow：计算、数据、运行模型

TensorFlow 概述

TensorFlow 是一个编程系统, 使用图(graph)来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 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. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]。

一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动. 会话 将图的 op 分发到诸如 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 tensor 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。

TensorFlow 计算模型——计算图

计算图的概念

• Tensor
  
  张量，可以理解为大小可动态调整的多维数组。
• Flow
  
  “流”，数据流向，表示 Tensor（张量）的流动路径和方向，即图（graph）中的线。
• Graph
  
  计算图，表示 TensorFlow 编程系统中的计算任务，描述了计算的过程，包括结点(nodes)和线(edges)。计算图中的每一个结点都表示一个计算，是张量（Tensor）输入或者输出的地方，结点之间的线表示了计算之间的关系即一个计算（结点）的输入是另一个计算（结点）的输出。

计算图的应用

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段,在图中构建计算结点即 op .在执行阶段, 使用会话执行执行图中的 op。

import tensorflow as tf
a = tf.constant([1.0,2.0], name = "a")
b = tf.constant([2.0,3.0], name = "b")
result = a + b

系统会自动维护一个默认的计算图（default graph）通过 tf.get_default_garph() 函数可以获取当前的默认的计算图。通过 graph 函数可以查看张量所属的计算图，例如 a.graph。所以下面这个操作的输出值为 True

print(a.graph is tf.get_default_garph())

TensorFlow 还支持通过 tf.Graph() 函数来生成新的计算图，不同计算图上的张量和运算都不会共享。 TensorFlow 使用计算图隔离张量和计算，还提供了管理张量和计算的机制。在不同的计算图上定义和使用张量：

import tensorflow as tf

g1 = tf.Graph()
with g1.as_default(</