TensorFlow 模型的运行机制

了解 TensorFlow 模型的运行机制

tensorflow 的运行机制属于“定义”于“运行”相互分离。从操作层面可以认为是 模型构建 和 模型运行。

在模型构件中，需要了解几个概念：

张量（tensor）：数据，N维向量

变量（variable）：模型参数，通过不断训练得到的值

占位符（placeholder）：输入变量的载体

图中的节点操作（operation，op）：执行相关计算，从而获取新的 tensor

上述定义的内容都是在一个叫做“图”的容器中完成的。关于“图”，有以下几点需要注意理解：

• 一个图代表一个计算任务
• 在模型运行的环节，“图”在会话（session）里被启动
• session 将图的 op 分发到如 CPU/GPU 等计算设备上，同时提供执行 op 的方法。在这些方法执行后，返回相应的 tensor （python 里返回的是 numpy ndarray；C/C++ 里返回的是 TensorFlow::Tensor 实例）

session 与图交互的过程成通过 feed （注入机制）和 fetch （取回机制）来进行数据流动。i.e.

• feed：通过占位符向模式中传入数据。
• fetch：从模式中得到结果

import tensorflow as tf
mul = tf.multiply(a,b)
add = tf.add(a,b)
with tf.Session() as sess:
    print(sess.run(add, feed_dict={
   
   a:3, b:4}))
    print(sess.run(mul, feed_dict={
   
   a:3, b:4}))
    print(sess.run([mul, add], feed_dict={
   
   a:3, b:4}