【Tensorflow】Tensorflow的图、会话、设备、变量、内核

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/Daycym/article/details/83541579

前言

基础知识，前面我们介绍到，Tensorflow的数据流图是由节点和边组成的有向无环图，此外，还涉及一些其他概念，如图、会话、设备、变量、内核等。

图（Graph）

import tensorflow as tf

# 创建图
# 创建一个常量运算操作，产生一个1 x 2的矩阵
matrix1 = tf.constant([[3., 3.]])
# 创建另一个常量运算操作，产生一个2 x 1的矩阵
matrix2 = tf.constant([[2.], [2.]])
# 创建一个矩阵乘法运算，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)

会话（Session）

启动图的第一步是创建一个Session对象。会话提供在图中执行操作的一些方法，建立会话后，生成一张空图，在会话中添加节点和边，形成一张图，然后执行。

# 会话
with tf.Session() as sess:
	# 调用Session对象的run()方法来执行图时，传入一些Tensor（此过程称为填充（feed））
	# 返回结果，这个过程称为（fetch）
    result = sess.run([product])
    print(result)

输出我：[array([[12.]], dtype=float32)]

会话是图交互的一个桥梁，一个会话可以有多个图，会话可以修改图的结构，也可以往图中注入数据进行计算。
主要有两个API接口：Extend和Run
Extend操作：是在Graph中添加节点和边
Run操作：是输入计算的节点和填充必要的数据后，进行运算，并输出运算的结果

设备（device）

设备是指一块用来运算的硬件，如GPU和CPU，主要是为了实现分布式执行操作，充分利用计算资源，我们可以明确指定操作在哪个设备上执行。

import tensorflow as tf

# 设备
with tf.Session() as sess:
    matrix1 = tf.constant([[3., 3.]])
    matrix2 = tf.constant([[2.], [2.]])

    product = tf.matmul(matrix1, matrix2)
    # 指定在第二个GPU上运行
    with tf.device("/gpu:1"):
        result = sess.run([product])
        print(result)

输出为：[array([[12.]], dtype=float32)]

变量（variable）

变量在Tensorflow是一种特殊的数据，它在图中有固定的位置，不像普通的张量那样可以流动。

• 使用tf.Variable()构造函数
• 这个函数需要一个初始值，形状和类型

# 创建一个变量，初始化为标量0
state = tf.Variable(0, name="counter")
# 创建一个常量张量
input1 = tf.constant(3.0)

Tensorflow提供了填充机制，可以在构建图时使用，tf.placeholder()临时替代任意操作的张量，在调用Session对象的run()方法来执行图时，使用填充数据作为调用的参数，调用结束后，填充数据就消失。

# tf.placeholder()临时替代任意操作的张量
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

输出为：[array([14.], dtype=float32)]

内核（kernel）

内核是能够在特定设备（如GPU、CPU）上的一种对操作的实现。因此，同一个操作可能会对应多个内核