第3章 TensorFlow入门
- 3.1 TensorFlow计算模型——计算图
  - 3.1.1 计算图的概念
  - 3.1.2 计算图的使用
- 3.2 TensorFlow数据模型——张量
  - 3.2.1 张量的概念
  - 3.2.2 张量的使用
- 3.3 TensorFlow运行模型——会话

第3章 TensorFlow入门

3.1 TensorFlow计算模型——计算图

计算图是TF框架中最基本的概念，所有的计算都会被转化为计算图上的点，下面详细介绍计算图。

3.1.1 计算图的概念

Tensor——张量，可以理解为多维数组；

Flow——流，体现了计算模型，表达了张量之间通过计算相互转化的过程；

每个计算都会被转化为计算图上的一个节点，节点之间的边描述了计算之间的依赖关系

3.1.2 计算图的使用

Tensorflow程序会分为两个阶段：

第一阶段需要定义计算图中的所有计算
第二阶段执行计算

函数	效果
tf.get_default_graph	获取当前默认的计算图
tf.Graph	生成新的计算图
tf.Graph_device	指定运算设备

计算图的另一个功能：有效整理TF程序中的资源

通过集合来整合资源：

函数	效果
tf.add_to_collection	将资源加入一个或多个集合
tf.get_collection	获取一个集合中的所有资源

为方便使用，TF也自动管理了一些常用的集合

集合名称	集合内容	使用场景
tf.GraphKeys.VARIABLES	所有变量	持久化TensorFlow模型
tf.GraphKeys.TRAINABLE_VARIABLES	可学习的变量	模型训练、生成模型可视化内容
tf.GraphKeys.SUMMARIES	日志生成相关张量	TensorFlow计算可视化
tf.GraphKeys.QUEUE_RUNNERS	处理输入的QueueRunner	输入处理
tf.GRaphKeys.MOVING_AVEGAGE_VARIABLES	所有计算了滑动平均值的变量	计算变量的滑动平均值

3.2 TensorFlow数据模型——张量

张量是TF的数据管理形式

3.2.1 张量的概念

在TF程序中，所有的数据都是通过张量的形式来表示的，从功能角度看，张量可以被理解为多维数组，其中零阶张量表示标量（scalar），也就是一个数；一阶张量表示向量（vector），也就是也一维数组；n阶张量可以理解为n维数组。

张量的实现：并不是直接采用数组的形式，而只是对tensorflow中计算结果的引用。

张量保存的是什么：并不是真正的数字，而是保存如何得到这些数字的计算过程。

张量的属性：名字（name）、维度（shape）、类型（type）

Tensor("MatMul:0", shape=(1, 1), dtype=int32)

名字：张量的唯一标识符，且说明了张量是如何计算出来的； node:src_output的形式
- node：节点名称
- src_output：当前张量来自第几个节点的第几个输出（MatMul:0表示计算节点“MatMul的第一个结果”）
维度：描述了张量的维度信息（shape=(1, 1)表示该张量是二维数组）
类型：每个张量会有一个唯一的类型（TF会对所有参与运算的张量进行类型检查，不匹配会报错）

3.2.2 张量的使用

第一类：对中间结果进行引用，当一个计算包含很多中间结果时，使用张量可以提高代码可读性。

a=tf.constant([1.0,2.0],name="a")
b=tf.constant([2.0,3.0],name="b")
result=a+b

第二类：当计算图构造完成之后，张量可以用来获得计算结果，也就是得到真实的数字。

虽然张量本身没有存储具体数字，但可以通过会话（session）来得到具体数字

3.3 TensorFlow运行模型——会话

会话（session）：执行定义好的运算

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来回收资源，否则可能出现资源泄露的问题。

会话模式有两种：

第一种模式：需要明确调用会话生成函数和关闭会话函数（当程序异常退出时，关闭会话函数可能不会执行，导致资源泄露）

# 创建一个会话
sess = tf.Session()
# 使用这个创建好的会话得到关心的运算结果
sess.run(result)
# 关闭会话
sess.close()

第二种模式：通过Python上下文管理机制

with tf.Session() as sess:sess.run(result)
# 当上下文退出时会话关闭，资源可以被释放。

会话如何生成：指定默认会话(默认会话不会自动生成)，通过 tf.Tensor.eval 函数计算张量取值。

run和eval的区别：ecal一次只能得到一个节点的值，run可以得到多个节点的值

sess = tf.Session()
with sess.as_default():print(result.eval())

[ 4.  6.]

以下代码实现相同的功能：

sess = tf.Session()# 下面的两个命令有相同的功能
print(sess.run(result))
print(result.eval(session = sess))

使用tf.InteractiveSession()构建会话：

通过默认会话的方式获取张量的取值会更加方便，TensorFlow提供了一种在交互式环境下直接构建默认会话的函数，会自动将生成的会话注册为默认会话。

sess=tf.InteractiveSession()
print(result.eval())
sess.close()

使用ConfigProto Protocol Buffer配置需要生成的会话：

config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True)
sess1 = tf.InteractiveSession(config=config)
sess2 = tf.Session(config=config)

allow_soft_placement=True 在下面的任意一个条件成立，GPU的运算可以放到CPU上进行：
运算无法在GPU上执行；
没有GPU资源(比如运算被指定在第二个GPU上运行，但是机器只有一个GPU)；
运算输入包含对CPU计算结果的引用。
log_device_placement=True日志中将会记录每个节点被安排在了哪个设备上以方便调试。

TensorFlow：实战Google深度学习框架（一）计算、数据、运行模型相关推荐

06.图像识别与卷积神经网络------《Tensorflow实战Google深度学习框架》笔记
一.图像识别问题简介及经典数据集图像识别问题希望借助计算机程序来处理.分析和理解图片中的内容,使得计算机可以从图片中自动识别各种不同模式的目标和对象.图像识别问题作为人工智能的一个重要领域,在最近几 ...
（转）Tensorflow 实战Google深度学习框架读书笔记
本文大致脉络: 读书笔记的自我说明对读书笔记的摘要具体章节的摘要: 第一章深度学习简介第二章 TensorFlow环境搭建第三章 TensorFlow入门第四章深层神经网络第五章 MN ...
免费教材丨第55期：Python机器学习实践指南、Tensorflow 实战Google深度学习框架
小编说时间过的好快啊,小伙伴们是不是都快进入寒假啦?但是学习可不要落下哦! 本期教材本期为大家发放的教材为:<Python机器学习实践指南>.<Tensorflow 实战G ...
《Tensorflow 实战google深度学习框架》第二版源代码
<<Tensorflow 实战google深度学习框架–第二版>> 完整资料github地址: https://github.com/caicloud/tensorflow-t ...
学习《TensorFlow实战Google深度学习框架 (第2版) 》中文PDF和代码
TensorFlow是谷歌2015年开源的主流深度学习框架,目前已得到广泛应用.<TensorFlow:实战Google深度学习框架(第2版)>为TensorFlow入门参考书,帮助快速. ...
说说TensorFlow实战Google深度学习框架
说说TensorFlow实战Google深度学习框架事情是这样的,博主买了这本书,但是碍于想在电脑上边看边码,想找找PDF版本,然后各种百度,Google,百度网盘,最后找到的都是很多200M的,百 ...
TensorFlow实战Google深度学习框架
TensorFlow是谷歌2015年开源的主流深度学习框架.科技届的聚光灯已经从"互联网+"转到了"AI+": 掌握深度学习需要较强的理论功底,用好Tensor ...
TensorFlow实战Google深度学习框架5-7章学习笔记
目录第5章 MNIST数字识别问题第6章图像识别与卷积神经网络第7章图像数据处理第5章 MNIST数字识别问题 MNIST是一个非常有名的手写体数字识别数据集,在很多资料中,这个数据集都会 ...
tensorflow实战google深度学习框架在线阅读
https://max.book118.com/html/2019/0317/7112141026002014.shtm
Tensorflow 实战 Google 深度学习框架（第2版）---- 10.2.2节 P274 代码
#-*-coding:utf-8-*- import keras from tflearn.layers.core import fully_connected from keras.datasets ...

TensorFlow：实战Google深度学习框架（一）计算、数据、运行模型