tensorflow 之 Graph Session Operation and Tensor

Basic: Graph Session Operation and Tensor

1、tensorflow使用图（Graph）表示计算任务。

2、图必须在会话（Session）中被执行，会话将图的节点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。

3、节点（op）连接着输入与输出的数据（Tensor）。

4、程序使用 tensor 数据结构来代表所有的数据，计算图中，操作间传递的数据都是 tensor。你可以把 TensorFlow tensor 看作是一个 n 维的数组或列表。数据（Tensor）通常可以用常量constant或者变量Variable表示 。

图计算

1、Tenorflow常用步骤：

       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， op 的执行步骤 被描述成一个图。在执行阶段，使用会话执行图中的 op。

        例如，通常在构建阶段创建一个图来表示和训练神经网络, 然后在执行阶段反复执行图中的训练 op。

2、构建图（例子）

import tensorflow as tf

# 创建一个常量 op, 产生一个 1x2 矩阵. 这个 op 被作为一个节点
# 加到默认图中.
#
# 构造器的返回值代表该常量 op 的返回值.
matrix1 = tf.constant([[3., 3.]])

# 创建另外一个常量 op, 产生一个 2x1 矩阵.
matrix2 = tf.constant([[2.],[2.]])

# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
# 返回值 'product' 代表矩阵乘法的结果.
product = tf.matmul(matrix1, matrix2)

3、启动图（例子）

# 启动默认图.
sess = tf.Session()

# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
# 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
# 矩阵乘法 op 的输出.
#
# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
# 
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
#
# 返回值 'result' 是一个 numpy `ndarray` 对象.
result = sess.run(product)
print result
# ==> [[ 12.]]

# 任务完成, 关闭会话.
sess.close()

       在实现上，TensorFlow 将图形定义转换成分布式执行的操作，以充分利用可用的计算资源(如 CPU 或 GPU)。一般你不需要显式指定使用 CPU 还是 GPU，TensorFlow 能自动检测。如果检测到 GPU，TensorFlow 会尽可能地利用找到的第一个 GPU 来执行操作。

       如果机器上有超过一个可用的 GPU，除第一个外的其它 GPU 默认是不参与计算的。为了让 TensorFlow 使用这些 GPU，你必须将 op 明确指派给它们执行。with...Device 语句用来指派特定的 CPU 或 GPU 执行操作：

with tf.Session() as sess:
  with tf.device("/gpu:1"):
    matrix1 = tf.constant([[3., 3.]])
    matrix2 = tf.constant([[2.],[2.]])
    product = tf.matmul(matrix1, matrix2)
    ...

参考文章

【1】https://www.cnblogs.com/lienhua34/p/5998853.html

【2】https://wiki.jikexueyuan.com/project/tensorflow-zh/get_started/basic_usage.html