前段时间学习了一下tensorflow，今天重新去学的时候发现之前学的忘掉了，所以打算把之前的重新看一遍并且每一个知识点都记录下来。

1.首先还是来一段介绍

TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算• 借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）
TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强力
2.tensorflow里的hello world

import tensorflow as tf
# 下面两句是防止警告信息
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 创建一个常值运算，将作为一个节点加入到默认计算图中
hello = tf.constant("Hello world!")

# 创建一个ＴＦ对话
sess = tf.Session()

# 运行并获取结果
print(sess.run(hello))

输出结果：

runfile('/home/tlxy/PycharmProjects/demo1/tensorflow/demo1.py', wdir='/home/tlxy/PycharmProjects/demo1/tensorflow')
b'Hello world!'

TensorFlow计算模型 – 计算图

1.tensorflow的基本概念

TensorFlow = Tensor + Flow

Tensor 张量
- 数据结构：多维数组
Flow 流计算模型：张量之间通过计算而转换的过程
TensorFlow是一个通过计算图的形式表述计算的编程系统每一个计算都是计算图上的一个节点，节点之间的边描述了计算之间的关系。

2.计算图（数据流图）的概念

深度学习（1）---Tensorflow基础概念
计算图是一个有向图（有向图即为有箭头的图像）
由以下内容构成：
• 一组节点，每个节点都代表一个操作，是一种运算
• 一组有向边，每条边代表节点之间的关系（数据传递和控制依赖)

Tensorflow有两种边：
• 常规边（实线）：代表数据依赖关系。一个节点的运算输出成为另一个节点的输入，两个节点之间有tensor流动（值传递）• 特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。比如，happens-before关系，源节点必须在目的节点执行前完成执行

计算图的一个小栗子

import tensorflow as tf

# 一个简单的计算图
node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name="node1")
node3 = tf.add(node1, node2)
print(node3)
print(node1)
print(node2)

我们分别打印出：

Tensor("Add:0", shape=(), dtype=float32)
Tensor("node1:0", shape=(), dtype=float32)
Tensor("node1_1:0", shape=(), dtype=float32)

输出的是一个张量结构，而不是一个值
深度学习（1）---Tensorflow基础概念

计算图的执行

node1 = tf.constant(3.0, tf.float32, name="node1")
node2 = tf.constant(4.0, tf.float32, name="node1")
node3 = tf.add(node1, node2)

# 可以通过创建会话session来执行数据操作
sess = tf.Session()

print("node1的值:",sess.run(node1))

print("node2的值:",sess.run(node2))

print("node3的值:",sess.run(node3)) 

sess.close()

输出结果：

node1的值: 3.0
node2的值: 4.0
node3的值: 7.0

通过session我们可以真正执行这个计算图

深度学习（1）---Tensorflow基础概念