---

1. TensorFlow简介

TensorFlow™是一个基于数据流编程（dataflow programming）的符号数学系统

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），被广泛应用于各类机器学习算法的编程实现

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护

---

2. TensorFlow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

---

3. 计算图

计算图是一个有向图，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

例如一个计算图的实例：node3 = node1+node2

node1 = tf.constant(1.0, tf.float32, name="node1")
node2 = tf.constant(2.0, tf.float32, name="node2")
node3 = tf.add(node1, node2, name="node3")

显示节点node3

print(node3)

结果：不是一个具体的数字，而是一个张量的结构

Tensor("node3:0", shape=(), dtype=float32)

创建计算图只是建立静态计算模型，执行会话才能提供数据并获得结果

sess = tf.Session()  # 建立会话
print("运行sess.run(node1)的结果：", sess.run(node1))
print("运行sess.run(node3)的结果：", sess.run(node3))
sess.close()  # 关闭会话

运行sess.run(node1)的结果： 1.0
运行sess.run(node3)的结果： 3.0

---

4. Tensor 张量

在TensorFlow中，所有的数据都通过张量的形式来表示
并且张量并没有真正保存数字，它保存的是计算过程

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

名字（name） ： node 节点名称， src_output 来自节点的第几个输出
形状（shape）：张量的维度信息， shape=() ，表示是标量
类型（dtype） ：每一个张量会有一个唯一的类型，类型不匹配时会报错

从功能的角度， 张量可以简单理解为多维数组
零阶张量表示标量（scalar），也就是一个数；
一阶张量表示向量（vector），也就是一维数组；
n 阶张量可以理解为一个n维数组；

三个术语描述张量的维度： 阶（rank）、 形状（shape） 、 维数（dimension number）

阶	形状	维数	例子
0	()	0-D	1
1	(D0)	1-D	[2,3,4]
2	(D0,D1)	2-D	[[5,6],[7,8]]
3	(D0,D1,D2)	3-D	[[[9],[0]],[[1],[2]]]
N	(D0,D1,…,Dn-1)	n-D	形为(D0,D1,…,Dn-1)的张量

import tensorflow as tf

scalar = tf.constant(1)
vector = tf.constant([2, 3, 4])
matrix = tf.constant([[5, 6], [7, 8]])
cube_matrix = tf.constant([[[9], [0]], [[1], [2]]])

print(scalar.get_shape())
print(vector.get_shape())
print(matrix.get_shape())
print(cube_matrix.get_shape())

sess = tf.Session()  # 建立会话
# 获取张量的元素
print("运行sess.run(cube_matrix)[0, 1, 0]的结果：", sess.run(cube_matrix)[0, 1, 0])
sess.close()  # 关闭会话

()
(3,)
(2, 2)
(2, 2, 1)
运行sess.run(cube_matrix)[0, 1, 0]的结果： 0

TensorFlow支持14种不同的类型：

• 实数 tf.float32, tf.float64
• 整数 tf.int8, tf.int16, tf.int32, tf.int64, tf.uint8
• 布尔 tf.bool
• 复数 tf.complex64, tf.complex128

默认类型：

• 不带小数点的数会被默认为 tf.int32
• 带小数点的会被默认为 tf.float32

---

5. Operation 操作

计算图中的节点就是操作（Operation）
一次加法是一个操作；一次乘法也是一个操作；构建一些变量的初始值也是一个操作。

每个运算操作都有属性，它在构建图的时候需要确定下来
操作可以和计算设备绑定，指定操作在某个设备上执行
操作之间存在顺序关系，这些操作之间的依赖就是“边”
如果操作A的输入是操作B执行的结果，那么这个操作A就依赖于操作B

---

6. Session 会话

会话拥有并管理TensorFlow程序运行时的所有资源
当所有计算完成之后需要关闭会话帮助系统回收资源

指定默认的会话：
TensorFlow不会自动生成默认的会话，需要手动指定
当默认的会话被指定之后可以直接通过 tf.Tensor.eval 函数来计算一个张量的取值

import tensorflow as tf

tens1 = tf.constant([0, 1, 2])  # 定义计算图
sess = tf.Session()  # 建立会话
with sess.as_default():  # 创建一个默认会话
    # 两个语句同样功能
    print(sess.run(tens1))
    print(tens1.eval())

交互式环境下设置默认会话：
在交互式环境下，通过设置默认会话来获取张量的取值更加方便
使用函数 tf.InteractiveSession 自动将生成的会话注册为默认会话

import tensorflow as tf

tens1 = tf.constant([0, 1, 2])  # 定义计算图
sess = tf.InteractiveSession() 	# 建立默认会话
print(tens1.eval())	# 显示得到的运行结果
sess.close()  # 关闭会话

关闭会话有多种方法：

1. 直接调用 Session.close() 函数来关闭会话并释放资源
   但当异常退出时，关闭会话函数可能就不会被执行从而导致资源泄漏

   import tensorflow as tf
   
   tens1 = tf.constant([0, 1, 2])  # 定义计算图
   sess = tf.Session()  # 建立会话
   print(sess.run(tens1))  # 显示得到的运行结果
   sess.close()  # 关闭会话
   

2. 所以可以采用 try … except … finally 确保异常退出时关闭会话函数依然执行

   import tensorflow as tf
   
   tens1 = tf.constant([0, 1, 2])  # 定义计算图
   sess = tf.Session()  # 建立会话
   
   try:
   	print(sess.run(tens1))  # 显示得到的运行结果
   except:
   	print("error")  # 提示异常出错
   finally:
   	sess.close()  # 关闭会话
   

3. 一般采用关键字 with 简洁的确保异常退出时关闭会话

   import tensorflow as tf
   
   tens1 = tf.constant([0, 1, 2])  # 定义计算图
   
   with tf.Session() as sess:  # 建立会话,并通过上下文管理器来管理会话
   	print(sess.run(tens1))  # 显示得到的运行结果码片
   

---

谢谢！