TensorFlow基本概念与函数

一、计算图

TensorFlow中两个最重要的概念，一个是Tensor，一个是Flow。Tensor就是张量，Flow就是计算流。计算图中的每个节点就是一个张量，而张量之间的依赖关系就是计算流，也就是在计算图中从一个Tensor通过计算流到另一个Tensor。

import tensorflow as tf
a = tf.constant([1.0,2.0], name='a')
b = tf.constant([3.0,4.0], name='b')
result = a + b

在上述代码中，TensorFlow会自动将定义的计算a和b转化为计算图中的节点。在TensorFlow中，系统会自动维护一个默认的计算图。不同计算图上的张量和运算都不会共享，这里我们可以简单的将其理解为作用域的概念

通过tf.get_default_graph函数可以获取当前默认的计算图，通过tf.Graph()定义一个计算图。计算图除了可以用来隔离张量和计算，也可以在某个计算图中单独定义使用某个GPU设备。

在计算图中，可以通过集合collection来管理不同类别的资源，比如通过tf.add_to_collection函数可以将资源加入一个或多个集合中，然后通过tf.get_collection获取一个集合里面的所有资源。这里的资源可以是张量、变量或者运行TensorFlow程序所需要的队列资源等。

为了方便使用，TensorFlow也自动管理了一些最常用的集合：

二、张量(Tensor)

从TensorFlow的名字中就可以看出张量(Tensor)是一个很重要的概念，可以说tensorflow中的最基本单元。通俗理解就是在TensorFlow中都以Tensor为基本单元计算流的。也可以被理解为多维数组。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

一个张量主要保存了三个属性：名字：name，维度：shape，类型：type。