為了使用TensorFlow你需要理解一下幾個方面：TensorFlow是如何

• 把運(yùn)算表示為圖
• 在 Session 的語境下執(zhí)行圖
• 把數(shù)據(jù)用多維向量表示
• 用 Variable 維護(hù)狀態(tài)
• 使用feed和fetch把數(shù)據(jù)放進(jìn)和取出任意的算子

概述

TensorFlow把運(yùn)算表示為圖。圖的節(jié)點(diǎn)是ops（operations）。一個op可以對零個或者多個tensor進(jìn)行運(yùn)算，產(chǎn)生零個或多個tensor。在TensorFlow的語境下，tensor就是一個多維向量。
一個TensorFlow 圖就是一個對運(yùn)算的描述。運(yùn)算開始之前你必須把圖在一個Session中 啟動。Session會把圖放在Devices上面，比如CPU、GPU，然后提供方法來進(jìn)行計算。在Python中這些方法會返回 numpy 的 ndarray，在C/C++中則會返回tensorflow:Tensor類型的實例。

計算流圖

TensorFlow程序一般分為構(gòu)建階段和執(zhí)行階段。在構(gòu)建階段，你可以把圖組合起來，比如神經(jīng)網(wǎng)絡(luò)圖模型。在執(zhí)行階段則用Session在執(zhí)行一系列的ops，比如訓(xùn)練神經(jīng)網(wǎng)絡(luò)的運(yùn)算。
TensorFlow的圖可以用Python、C或者C++來寫，但是Python會簡單一點(diǎn)，因為有許多輔助函數(shù)可以使用。

• 構(gòu)建圖
  首先從不需要任何輸入的算子開始，比如 Constant 。把輸出結(jié)果傳遞給其他需要輸入的算子。
  TF的Python提供了默認(rèn)的圖，可以在大多數(shù)場景下使用。

  import tensorflow as tf
  
  # Create a Constant op that produces a 1x2 matrix.  The op is
  # added as a node to the default graph.
  #
  # The value returned by the constructor represents the output
  # of the Constant op.
  matrix1 = tf.constant([[3., 3.]])
  
  # Create another Constant that produces a 2x1 matrix.
  matrix2 = tf.constant([[2.],[2.]])
  
  # Create a Matmul op that takes 'matrix1' and 'matrix2' as inputs.
  # The returned value, 'product', represents the result of the matrix
  # multiplication.
  product = tf.matmul(matrix1, matrix2)
  

• 在Session中啟動圖

   # Launch the default graph.
   sess = tf.Session()
  
   # To run the matmul op we call the session 'run()' method, passing 'product'
   # which represents the output of the matmul op.  This indicates to the call
   # that we want to get the output of the matmul op back.
   #
   # All inputs needed by the op are run automatically by the session.  They
   # typically are run in parallel.
   #
   # The call 'run(product)' thus causes the execution of three ops in the
   # graph: the two constants and matmul.
   #
   # The output of the matmul is returned in 'result' as a numpy `ndarray` object.
   result = sess.run(product)
   print(result)
   # ==> [[ 12.]]
  
   # Close the Session when we're done.
   sess.close()
  

  你可以使用with語句

  with tf.Session() as sess:
      result = sess.run([product])
      print(result)
  

  通常呢你不需要告訴TF你需要哪個設(shè)備進(jìn)行運(yùn)算，但是如果你有多個GPU的話你就可以指定TF用哪個設(shè)備進(jìn)行運(yùn)算了。比如

  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)
      ...    
  

 你可以使用以下字符串來表示設(shè)備：
   - "/cpu:0" ： 設(shè)備的CPU。
   - "/gpu:0" ： 設(shè)備的第一塊GPU。 
   - "/gpu:1"  ： 設(shè)備的第二塊GPU。

 你也可以在分布式集群中運(yùn)行TensorFlow：

with tf.Session("grpc://example.org:2222") as sess:

Calls to sess.run(...) will be executed on the cluster.

...

指定的機(jī)器將會成為你的master，并調(diào)動集群中的其他機(jī)器進(jìn)行運(yùn)算。
或者用```tf.device()```語句來指定worker。

with tf.device("/job:ps/task:0"):
weights = tf.Variable(...)
biases = tf.Variable(...)

### 交互使用

在iPython等交互式的Python環(huán)境中，你可以用```InteractiveSession```類，用```Tensor.eval()```，```Operation.run()```等方法。

Enter an interactive TensorFlow Session.

import tensorflow as tf
sess = tf.InteractiveSession()

x = tf.Variable([1.0, 2.0])
a = tf.constant([3.0, 3.0])

Initialize 'x' using the run() method of its initializer op.

x.initializer.run()

Add an op to subtract 'a' from 'x'. Run it and print the result

sub = tf.sub(x, a)
print(sub.eval())

==> [-2. -1.]

Close the Session when we're done.

sess.close()

### Tensor
TensorFlow程序使用Tensor來表示所有的數(shù)據(jù)。只有Tensor可以在Operation之間傳遞。你可以把Tensor看作是一個多維數(shù)組。Tensor有靜態(tài)類型、秩以及形狀。

### Variable
Variable 維護(hù)執(zhí)行過程中圖的狀態(tài)。

Create a Variable, that will be initialized to the scalar value 0.

state = tf.Variable(0, name="counter")

Create an Op to add one to state.

one = tf.constant(1)
new_value = tf.add(state, one)
update = tf.assign(state, new_value)

Variables must be initialized by running an init Op after having

launched the graph. We first have to add the init Op to the graph.

init_op = tf.global_variables_initializer()

Launch the graph and run the ops.

with tf.Session() as sess:

Run the 'init' op

sess.run(init_op)

Print the initial value of 'state'

print(sess.run(state))

Run the op that updates 'state' and print 'state'.

for _ in range(3):
sess.run(update)
print(sess.run(state))

output:

0

1

2

3

通常你可以把一個統(tǒng)計模型中的參數(shù)表達(dá)為Variable。比如，把神經(jīng)網(wǎng)絡(luò)的權(quán)重表達(dá)為Variable中的tensor。訓(xùn)練過程中你通過不斷地運(yùn)行圖來更新這個tensor。

### Fetches
你可以通過運(yùn)行Session的```run()```方法來獲取tensor的值。比如

input1 = tf.constant([3.0])
input2 = tf.constant([2.0])
input3 = tf.constant([5.0])
intermed = tf.add(input2, input3)
mul = tf.mul(input1, intermed)

with tf.Session() as sess:
result = sess.run([mul, intermed])
print(result)

output:

[array([ 21.], dtype=float32), array([ 7.], dtype=float32)]

所有需要的op都會被運(yùn)行一遍。

### Feeds
Feeds用tensor的值暫時取代了一個op的輸出。你可以把feed的數(shù)據(jù)作為參數(shù)傳進(jìn)```run()```函數(shù)。feed數(shù)據(jù)僅會應(yīng)用于當(dāng)前的 ```run()```。你可以指定```tf.placeholder()```來創(chuàng)建要feed的op。

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)

with tf.Session() as sess:
print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

output:

[array([ 14.], dtype=float32)]