这篇教程是翻译Morgan写的TensorFlow教程，作者已经授权翻译，这是原文。

TensorFlow（TF）不像一个典型的程序，你可能习惯于写数学运算，比如 a = 2 + 2 ，然后得到 a 的结果是 4 。但是 TF 模糊了数学运算和他们实际运算结果之间的界限。在 TF 中，你得到的是一个张量（Tensor）。是不是一脸懵逼？我们举个例子，比如一个简单的加法操作，请看如下代码：

import tensorflow as tf

# Usual way to do math operation in a program

a = 2 + 2

print(a) # => 2

# TensorFlow's way

a = tf.add(2, 2)

print(a) # => Tensor("Add_1:0", shape=(), dtype=int32)

当你在 TF 中进行数学公式编写时，你必须把它当做是一种运算操作，而不是去计算某一个具体的值。在 TF 中发生的所有事，都是在会话（Session）中进行的。所以，当你在 TF 中编写一个加法时，其实你只是设计了一个加法操作，而不是实际添加任何东西。所有的这些设计都是会在图（Graph）中产生，你会在图中保留这些计算操作和张量，而不是具体的值。

当你开始一个会话（Session），你实际上在你的程序中创建了一个新的作用域（scope），而操作就在这个作用域中发生，比如上面的加法操作。也就是说，这是你能运行和评估操作和张量的地方。当你开始执行这个操作的时候，那么你设计的操作才真正开始在现实世界中发生：张量获取真实的数值，操作进行计算，得到结果，函数收敛等等。

但是，一旦你超出你会话的范围，图就会返回一个静态的并且是相当无聊的状态。我们回归到理论，总而言之，有两个主要阶段在TF的代码中：

图阶段：你能在图中设计各种数学操作。但是在这个阶段，你只能保存你自己的操作和元数据，但没有任何的有形的形式。
会话和评估阶段：变量被初始化，各种函数被配置，操作被执行，中间张量和梯度被执行，等等一系列操作被执行。

一些小提示：最重要的部分是，在多个评估之间，只有变量保存它们的数据。所有其他张量都是临时的，这意味着，如果你没有添加一个合适的 feed_dict ，那么你无法访问你的训练。因为，这个 feed_dict 是一个添加变量值的张量。比如，如下代码所示：

import tensorflow as tf

p = tf.placeholder(tf.float32, shape=[], name="p")

v2 = tf.Variable(2. , name="v2")

a = tf.add(p, v2)

with tf.Session() as sess:

sess.run(tf.initialize_all_variables())

# From the moment we initiliaze variables, until the end of the Session

# We can access them

print(sess.run(v2)) # -> 2.

# On the other hand, intermediate variables has to be recalculated 

# each time you want to access its value

print(sess.run(a, feed_dict={p: 3})) # -> 5.

# Even if calculated the value of a, it's no more accessible

# the value of a has been freed off the memory

print(sess.run(a)) # Error ...

References：

官网

如果觉得内容有用，帮助多多分享哦 :)

长按或者扫描如下二维码，关注 “CoderPai” 微信号（coderpai）。添加底部的 coderpai 小助手，添加小助手时，请备注 “算法” 二字，小助手会拉你进算法群。如果你想进入 AI 实战群，那么请备注 “AI”，小助手会拉你进AI实战群。

微信公众号

TensorFlow学习系列（一）：初识TensorFlow

目录

猜你喜欢