本文为原创文章，未经本人允许，禁止转载。转载请注明出处。

1.Tensorflow基本概念

1.1.Graph

Graph（图）：表示计算任务，用于搭建神经网络的计算任务。

1.2.Session

Session（会话）：在Session中执行Graph。

1.3.Tensor

Tensor（张量）：张量就是一种拥有不同维度的数据结构。Tensor是Tensorflow中的基本数据结构：

0阶张量（标量）：一个数。
1阶张量（向量）：一维数组。
2阶张量（矩阵）：二维数组。
……（以此类推）

⚠️Tensorflow中的一切数据都属于Tensor类型。

⚠️任何Tensor数据在运算之前都是得不到具体数值的。

神经网络中通常需要以下几种数据类型：

可更新的参数：包括权重（weights），偏置项（bias）。这些参数将在训练过程中不断更新。
- 对应数据类型：tf.Variable。
独立于模型存在的数据：数据集中的数据需要“喂给”网络，包括输入数据、输出端的groundtruth。
- 对应数据类型：tf.placeholder。
常量。
- 对应数据类型：tf.constant。

1.4.Operation

Operation（操作）：图中的节点称之为op(operation)。但凡是op，都需要通过Session运行之后，才能得到结果。

⚠️Graph是由一系列op构成的。

每一个Operation对象均有输入和输出Tensor，同理，每个Tensor对象均有对应生成该Tensor的Operation对象和使用该Tensor对象作为输入的Operation对象。

Tensor对象的op属性指向生成该Tensor的Operation对象。
Tensor对象的consumers()函数获取使用该Tensor对象作为输入的Operation对象。
Operation对象的inputs属性指向该计算节点的输入Tensor对象。
Operation对象的outputs属性指向该计算节点的输出Tensor对象。

如下图所示的网络结构中，调用Tensor_2对象的consumers()函数，返回的是[op_1,op_2]。Tensor_3的op属性指向的是op_1。op_1的inputs属性指向的是[Tensor_1,Tensor_2]，op_1的outputs属性指向的是[Tensor_3]。

1.5.Feed、Fetch

使用Feed和Fetch可以为任意的操作赋值或者从其中获取数据。

1.6.例子

如上图中的例子，一个Session中有两个Graph。

接下来我们通过一段简单的代码来进一步的了解。首先定义两个constant类型的op：

import tensorflow as tf
tensor1 = tf.constant([[3,4]]) 
tensor2 = tf.constant([[5],[6]])

tensor1是一个$1\times 2$维的向量，tensor2是一个$2\times 1$维的向量。现在新建一个op，计算两个tensor的点积：

tensor3 = tf.matmul(tensor1,tensor2)
print(tensor3)

❗️tf.matmul()可用于计算点积。

上述代码输出为：Tensor("MatMul:0", shape=(1, 1), dtype=int32)。可见得到的tensor3并不是一个具体的数值，而是一个Tensor。这是因为在运算开始之前Tensor是得不到具体数值的，而运算流程（也就是Graph）必须在Session中运行：

#定义一个新的Session
sess = tf.Session()
#开始计算Graph
result = sess.run(tensor3)
print(result)
#关闭Session
sess.close()

可得到result为[[39]]。

另外，可简化省去sess.close()：

with tf.Session() as sess:
    result = sess.run(tensor3)
    print(result)

得到的result的结果都是一样的。

2.Variable

这一部分我们着重介绍tensorflow中非常常用的一种tensor：Variable。

import tensorflow as tf
v1 = tf.Variable([1,2])
c1 = tf.constant([3,4])
sub = tf.subtract(v1,c1) #定义一个减法op
add = tf.add(v1,c1) #定义一个加法op

init = tf.global_variables_initializer() #初始化全局变量

with tf.Session() as sess:
    sess.run(init)
    sub_result = sess.run(sub)
    add_result = sess.run(add)
    print(sub_result) #[-2,-2]
    print(add_result) #[4,6]

‼️Variable必须初始化：

init = tf.global_variables_initializer()可以初始化全局所有变量。
sess.run(v1.initializer)只初始化变量v1。

再举另外一个例子：

v2 = tf.Variable(0,name="counter")
new_v2 = tf.add(v2,1)
update_v2 = tf.assign(v2,new_v2) #用于赋值操作
init = tf.global_variables_initializer() #初始化全局变量
with tf.Session() as sess:
    sess.run(init)
    for _ in range(5):
        sess.run(update_v2)
        print(sess.run(v2))

输出为：

3.Feed、Fetch

3.1.Fetch

Fetch字面意思是“取来”，即得到运行结果。在sess.run()中，即可fetch一个op的值，也可同时fetch多个op的值。

c1=tf.constant(1)
c2=tf.constant(2)
c3=tf.constant(3)
add1=tf.add(c2,c3)
mul1=tf.multiply(c1,add1)
with tf.Session() as sess:
    result1=sess.run([mul1,add1])
    print(result1) #[5,5]

⚠️sess.run([mul1,add1])是以列表list的形式，因此不要忘了[]。

3.2.Feed

Feed字面意思是“喂养”，即喂入数据。

p1=tf.placeholder(tf.float32)
p2=tf.placeholder(tf.float32)
mul2=tf.multiply(p1,p2)
with tf.Session() as sess:
    result2=sess.run(mul2,feed_dict={p1:[5.],p2:[.3]})
    print(result2)

一开始定义的p1、p2只是两个占位符（32位float类型），并没有定义实际的值。因此在sess.run()的时候需要通过Feed操作传入数据。

⚠️Feed操作是通过python字典的形式传入数据的。

sess.run(mul2,feed_dict={p1:[5.],p2:[.3]})输出为一个numpy数组ndarray：[1.5]。
sess.run(mul2,feed_dict={p1:5.,p2:.3})输出为一个数值float：1.5。

4.代码地址

Tensorflow基本概念及应用实例

【Tensorflow基础】第二课：Tensorflow基本概念

Graph，Session，Tensor，Operation，Feed，Fetch