TensorFlow 的设计理念

TensorFlow 的设计理念主要体现在以下两个方面。

    （1）将图的定义和图的运行完全分开

        我们知道，编程模式通常分为命令式编程（imperative style programming）和符号式编程（symbolic style programming）。命令式编程就是编写我们理解的通常意义上的程序，很容易理解和调试，按照原有逻辑执行。符号式编程涉及很多的嵌入和优化，不容易理解和调试，但运行速度相对有所提升。现有的深度学习框架中， Torch 是典型的命令式的， Caffe、 MXNet 采用了两种编程模式混合的方法，而 TensorFlow 完全采用符号式编程。符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后需要对数据流图进行编译，但此时的数据流图还是一个空壳儿，里面没有任何实际数据，只有把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。
        例如:

t = 8 + 7
print("t:", t)

        输出的结果就是:

t: 15

        而在 TensorFlow中，数据流图中的节点，实际上对应的是 TensorFlow API 中的一个操作，并没有真正去运行,如下：

import tensorflow as tf
t = tf.add(8, 9)
print(t) 

        输出的结果却是:

Tensor("Add:0", shape=(), dtype=int32)

        这是因为上述代码只是定义了一个操作,实际上并没有运行.

（2） TensorFlow 中涉及的运算都要放在图中

        TensorFlow 中涉及的运算都要放在图中，而图的运行只发生在会话（session）中。开启会话后，就可以用数据去填充节点，进行运算；关闭会话后，就不能进行计算了。因此，会话提供了操作运行和 Tensor 求值的环境。

import tensorflow as tf

# 创建图
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b

# 创建会话
sess = tf.Session()

# 计算 c
print(sess.run(c))

# 关闭会话
sess.close()

        结果:

[3. 8.]

ps:全部摘自李嘉璇的<<TensorFlow 技术解析与实战>>第四章4.2节