TensorFlow实战+Google笔记（第三章）

最新推荐文章于 2020-01-13 21:09:02 发布

原创最新推荐文章于 2020-01-13 21:09:02 发布 · 273 阅读

0 ·

CC 4.0 BY-SA版权

TensorFlow 专栏收录该内容

2 篇文章

订阅专栏

本文介绍了TensorFlow的入门知识，重点讲解了计算图的概念，包括张量作为多维数组的表示以及它在代码中的作用。文章还详细阐述了计算图的使用，分为定义和执行两个阶段，并解释了如何获取和创建不同的计算图。最后，讨论了TensorFlow的运行模型——会话，提供了两种执行计算和管理资源的方法：显式关闭会话和使用上下文管理器。

TensorFlow入门
1.计算图的概念
tensor：张量，可理解为多维数组，第n阶张量可以理解为一个n维数组；其在TensorFlow中的实现并不直接采用数组的形式，只是对TensorFlow中运算结果的引用。张量中并未真正保存数字，保存的是如何得到这些数字的过程。

a = tf.constant([1,2],name='a')
b = tf.constant([2.0,3.0],name='b',dtype=float32)

不指定数据类型时，TensorFlow给出默认的数据类型。比如：不带小数点的数会被默认为int32，带小数点的数会被默认为float32.

张量的使用：对中间计算结果的引用（增加代码的可读性）；当计算图构造完成后，张量可以用来获得计算结果。如：可通过sess.run(result)得到真正的计算结果。

flow：流，表示张量之间通过计算下相互转化的过程。
TensorFlow中，每个计算对应于计算图中的一个节点，节点之间的边表示计算间的依赖关系。

2.计算图的使用
TensorFlow的程序分为两个阶段：定义计算和执行计算。
（1）TensorFlow默认的计算图由tf.get_default_graph获取当前默认的计算图。
计算图示例
当前计算图的获取
注：graph()可以查看当前张量所属计算图
（2）tf.Graph()生成新的计算图。不同计算图上的张量和计算不会共享。

3 TensorFlow的运行模型—会话
利用TensorFlow中的会话（session）执行定义好的计算。
以下为会话模型的两种使用方法
（1）sess = tf.Session() sess.run(...)
sess.close()
需要明确调用Session.close()关闭会话并且释放资源。但是当程序因为异常退出时，关闭会话的函数可能不会被执行而导致资源泄漏。
（2）通过Python中上下文管理器管理该会话。

with tf.Session(graph=g1) as sess:
    sess.run()

当上下文退出时会话关闭和资源释放也自动完成。
TensorFlow不会生成默认的会话，需手动指定。

(1) sess = tf.Session()
    with sess.as_default():
        print result.eval()
(2) sess = tf.Session()
    print sess.run(result)
    print result.eval(session=sess)

(1)和(2)代码实现功能相同。