Tensorflow学习——第一章（一）

计算图

Flow-流

Flow–“流”，表达了张量之间通过计算相互转化的过程，tensorflow是一个通过计算图的形式来表述计算的编程系统。Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的变藐视了计算之间的依赖关系。

Tensor-张量

在TensorFlow程序中，所有的数据都通过张量的形式来表示。从功能角度，张量可以被简单理解为多维数组。
在张量中并没有真正保存数字，他保存的是如何得到这些数字的计算过程。以加法为例，当运行如下代码时，并不会得到加法的结果，而会得到对结果的引用。

tf.constant是一个计算，这个计算的结果为一个张量，保存在变量a中。

import tensorflow as tf

a=tf.constant([1.0,2.0],name='a')
b=tf.constant([2.0,3.0],name='b')
result=a+b
print(result)

输出：Tensor(“add:0”, shape=(2,), dtype=float32)

可以看出，张量的计算结果不是一个具体的数字，而是一个张量的结构，其中保存了张量的三个属性：名字name，维度shape，类型type。
每个张量会有一个唯一的类型，tensorflow会对参与运算的张量进行类型的检查，当发现类型不匹配时会报错。

a=tf.constant([1,2],name='a')
b=tf.constant([2.0,3.0],name='b')

ValueError: Tensor conversion requested dtype int32 for Tensor with dtype float32: ‘Tensor(“b:0”, shape=(2,), dtype=float32)’
如果将第一个加数指定类型，则不会报错。一般建议通过指定dtype 来指出变量或常数的类型。

a=tf.constant([1,2],name='a',dtype=tf.float32)

TensorFlow运行模型——会话

会话（session）——用于执行定义好的运算。
会话拥有并管理TensorFlow程序运行时的所有资源。但计算完成之后需要关闭会话来帮助系统回收资源，否则可能出现资源泄漏问题。

# 创建一个会话
sess=tf.Session()
# 使用创建好的会话来得到关心的运算的结果。
print(sess.run(result))
#关闭会话
sess.close()

使用上下文管理器，可以防止因为异常退出时资源的释放问题。

# 创建一个会话，并通过python中的上下文管理器来管理这个会话
# 不需要调用sess.close()来关闭会话，上下文管理器退出时关闭会话
with tf.Session() as sess:
	print(sess.run(result))

# 交互式环境下的构建默认会话
sess=tf.InteractiveSession()
print(result.eval())
sess.close()

通过ConfigProto Protocol Buffer来配置需要生成的会话。
通过ConfigProto配置会话，可以配置类似并行的线程数、GPU分配策略、运算超时时间等参数。

第一个参数，allow_soft_placement是一个布尔型的参数，为True时，可以将无法在GPU运算、GPU资源不足、运算包含对CPU运算结果的引用等情况下的运算放到CPU上进行。
第二个参数，log_device_placement是一个布尔型的参数，为True时，日志中将会记录每个节点被安排在了那个设备上以方便调试。

# 通过ConfigProto配置会话
config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)
sess1=tf.InteractiveSession(config=config)
sess2=tf.Session(config=config)