TensorFlow基础

深度学习在模式识别方向，尤其是在图像、声音、语音、语言和时间序列数据上表现出色。运用深度学习，你可以对数据进行分类、预测、聚类以及特征提取。2015年11月，谷歌发布了TensorFlow。TensorFlow在谷歌的大多数产品，比如谷歌搜索、垃圾邮件检测、语音识别、谷歌助手、谷歌即时桌面以及谷歌相册中得到了运用。

TensorFlow具有实施部分子图计算的独特功能，因此可以通过分割神经网络的方式进行分布式训练。换句话说，就是TensorFlow允许模型并行和数据并行。TensorFlow提供了多种API。最低阶的API——TensorFlow Core——可以提供完整的编程控制。

关于TensorFlow要注意以下几点：

• 图是对于计算的一种描述。
• 图包含作为操作的节点。
• 在一个给定的会话语境中执行计算。
• 对于任何计算过程而言，图一定是在一个会话里启动。
• 会话将图操作加载到像CPU或者GPU这样的设备上。
• 会话提供执行图操作的方法。

TensorFlow结构

对于安装，请访问官方教程https://www.tensorflow.org/install/。

张量

张量是TensorFlow中的基本数据单元。张量是一个数学对象，他是对标量、向量和矩阵的泛化。张量可以表示为一个多维数组。零秩（阶）张量就是标量。向量或者数组就是秩为1的张量，而矩阵是秩为2的张量。简言之，张量可被认为是一个n维数组。
下面是一些张量的例子：

张量	解释
5	秩为0的张量，这是一个形状为[]的标量
[2.,5.,3.]	秩为1的张量，这是一个形状为[3]的向量
[[1.,2.,3.],[4.,5.,6.]]	秩为2的张量，这是一个形状为[2,3]的矩阵
[[[1.,2.,3.],[7.,8.,9.]]]	秩为3的张量，其形状为[2,1,3]

计算图与会话

TensorFlow因其TensorFlow Core程序而受欢迎，TensorFlow Core有两个主要作用：

• 在构建阶段建立计算图
• 在执行阶段运行计算图

我们来看一下TensorFlow是如何工作的：

• 其程序通常被结构化为构建阶段和执行阶段。
• 构建阶段搭建具有节点（操作）和边（张量）的图。
• 执行阶段使用会话来执行图中操作。
• 最简单的操作是一个常数，它没有输入，只是传递输出给其它计算操作。
• 一个操作的例子就是乘法（或者是取两个矩阵作为输入并输出另一个矩阵的加法或减法操作）。
• TensorFlow库具有一个默认图来给构建操作添加节点。

计算图是由一系列的TensorFlow操作排成的节点组成的。
计算图定义了计算。它并不执行计算，也不保留任何值。它用来定义代码中提及的操作。同时，创建了一个默认的图。因此，你不必创建图，除非需要创建图用于多种目的。

会话允许你执行图或者只执行部分图。他为执行分配资源（在一个或多个CPU或者GPU上），他还保留了中间结果和中间变量值。

在TensorFlow中创建的变量的值，只在一个会话内是有效的。如果你尝试在之后的第二个会话里访问其值，就会报错，因为变量不是在那里初始化的。

想运行任何操作，需要给图创建一个会话，会话会分配内存来存储当前变量值。

演示代码：

import tensorflow as tf
sess = tf.Session()

#创建一个新的图，不是默认的图
myGraph = tf.Graph()
with myGraph.as_default():
    variable = tf.Variable(30,name="navin")
    initialize = tf.global_variables_initializer()

with tf.Session(graph=myGraph) as sess:
    sess.run(initialize)
    print(sess.run(variable))

运行结果：