計算圖

在 TensorFlow 中用計算圖來表示計算任務。 計算圖，是一種有向圖，用來定義計算的結構，實際上就是一系列的函式的組合。 用圖的方式，使用者通過用一些簡單的容易理解的數學函式元件，就可以建立一個複雜的運算

在 TensorFlow 使用圖，分為兩步：建立計算圖 和 執行圖

圖，在形式上由結點 Nodes 和邊 Edges 組成。- Nodes，用圓圈表示，代表一些對資料進行的計算或者操作（Operation）。 - Edges，用箭頭表示，是操作之間傳遞的實際值（Tensor）

建立圖

graph = tf.Graph()

訪問上下文管理器

with graph.as_default(): 

用with表示我們用 context manager 告訴 TensorFlow 我們要向某個具體的 graph 新增 Op 了

執行圖圖必須在會話(Session)裡被啟動，會話(Session)將圖的 op 分發到 CPU 或 GPU 之類的裝置上，同時提供執行 op 的方法，這些方法執行後，將產生的張量(tensor)返回

## 開啟session

sess = tf.Session()`

一旦開啟了 Session，就可以用 run() 來計算想要的 Tensor 的值

用完會話，記得關掉

sess.close()

Fetches

fetches是session.run()的一個引數，它可以接收任何一個我們想要執行的op或者Tensor，或者他們對應的list結構。

• 如果是tensor，那麼session.run()輸出的就是一個Numpy 陣列
• 如果是Op，那麼session.run()輸出的就是None

比如：sess.run(b)就是告訴Session要把計算b所需要的結點都找到按順序執行並且輸出結果。

全域性變數初始化

tf.global_variables_initializer()

表示將所有定義的Variable變數都準備好，以便於後續使用，這個Op也可以傳給給session.run.比如：

init = tf.global_variables_initializer()
…
sess.run(init)

張量Tensor和OP

在tensorflow中使用tensor來表示所有的資料結構，計算圖中操作Op結點之間傳遞的都是Tensor

• 定義tensor時可以直接使用numpy傳遞給Op結點，因為tensorflow的Op可以將python的資料型別轉化為tensor包括numbers，booleans，strings或者list。
• 圖中的任何結點都叫做Operation簡稱：Op
• 每個Op的輸出會被傳遞到其他Op或者sess.run()

Variable

Variable，變數是維護圖執行過程中的狀態資訊的，需要它來保持和更新引數數值，是需要動態調整的。

• Tensor 和Operation都是一成不變的，而Variable是可以隨著時間改變的
• Variables可以用在任何使用tensor的Op中，它當前的值就會被傳遞給使用它的Op
• Variable通常的初始值是一些很大的0,1或者隨機值tensor，或者內建op：tf.zeros(),tf.ones()等
• Variable在graph中，狀態由session管理，也是在session中進行初始化，session可以追蹤variable的當前值是多少。
• session可以只初始化一部分variable
• 使用tf.variables_initializer，傳入初始化變數列表
• variable的值是可以被改變的
• 比如使用variable.assign(variable),或者variable.assign_add(1)
• 每個session維護獨立的variable變數值，同一個variable不同的session值可以是不同的。
• 當各種Optimizer優化器訓練機器學習模型時，variable就會隨之改變，當使用variable中的trainable=False屬性可以不被Optimizer改變。

name_scopes

• name_sopes可以用來管理圖，可以把一組Op放到一個組塊中

以上就是本文的全部內容，希望對大家的學習有所幫助，也希望大家多多支援我們。