Tensorflow学习笔记（3）——图、会话基本语法

本文链接：https://blog.youkuaiyun.com/qq_36342854/article/details/81878124

前言：Tensorflow，与我们之前熟悉的C、C++、Python的确不太一样，建议初学者当作一门新的语言来学。如果看的过程中忽然有一种“的确不太一样”的感觉，并且明白了哪里不一样，你就跨出了第一小步。

首先，TF入门开天辟地第一句如下，以后见到tf就不会显得陌生了：

import tensorflow as tf

一、为什么叫Tensorflow，什么是Tensor？

Tensor的英文翻译为“张量”，由于它有维度而言，故也可以不严格地理解为Python中的列表、C语言中的数组。我们来看看张量是如何定义的：

a = tf.constant([1.0,2.0])
b = tf.constant([3.0,4.0])

二、图、会话基本操作：

在这个指令中，我们定义了两个一行两列的张量常量，它的维度为1。相信有博友会质疑，不就是定义一个常量么，我直接定义列表不可以吗？为什么非得用tf中的constant指令？其实，很遗憾的告诉大家，在之后tf的编程环境中，用到的语句基本上都是tf库内部的函数，举手投足皆tf，一眼望去尽Sess。就连定义个变量也不能随心所欲地信手拈来了，而需要：b=tf.Variable()一下。所以我还是挺主张抱着学一门新语言的心态来学Tensorflow的。

接下来我们来做一下这两个张量的加法，然后再输出结果，这次语法正常了一点：

result = a+b
print(result)

但是输出的结果会让我们目瞪口呆：

结果显示，我们的结果是一个张量，维度为1，列数为2。按照C语言和Python的语法，天经地义应该输出[4,6]。为什么会输出这样的结果？怎样才能输出真正的结果？

原因：Tensorflow有两大概念——计算图和会话。所谓计算图就是我们所搭建的运算图，以最基本的二叉树为例，如果父节点的值为左右儿子的数值和，我们可以画出一个简单的运算图：

而这句result=a+b的作用也仅限于此：这句话的作用相当于画了一张图，搭建了三个元素之间的关系网络，并没有进行张量的运算。如果想要得到这句话的结果，那么我们可以将这幅图放入一个会话中，执行会话，之后获得结果：[4,6]

with tf.Session() as sess:
	print sess.run(result)

我们在之后的编程过程中也会发现，几乎有90%的代码用来框架的搭建，只有10%左右的代码是来执行会话。换句话说，我们会先用图来描述结构（如最基本的张量加法、乘法等操作），再用tf.Session()来跑这个结构。这就是Tensorflow与之前语言不同的地方。

三、张量乘法：

我们可以仿照张量的加法做出张量的乘法，这个步骤就是神经网络参数前向传递的关键环节：

x = tf.constant([[1.0,2.0]])
w = tf.constant([[3.0],[4.0]])
y=tf.matmul(x,w)
print(y)
with tf.Session() as sess:
    print(sess.run(y))

结果如下：

别扭吧？我也觉得很别扭,,,但是习惯就好。

下一步我们将会搭建最基本的前向传递网络。敬请关注！