一 學習目標：

學習 TensorFlow 程式設計模型的基礎知識，重點了解以下概念：

• 張量
• 指令
• 圖
• 會話

構建一個簡單的 TensorFlow 程式，使用該程式繪製一個預設圖並建立一個執行該圖的會話

二 概念概覽

TensorFlow 的名稱源自張量，張量是任意維度的陣列。藉助 TensorFlow，您可以操控具有大量維度的張量。即便如此，在大多數情況下，您會使用以下一個或多個低維張量：

• 標量是零維陣列（零階張量）。例如，\'Howdy\' 或 5
• 向量是一維陣列（一階張量）。例如，[2, 3, 5, 7, 11]
  或 [5]
• 矩陣是二維陣列（二階張量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令會建立、銷燬和操控張量。典型 TensorFlow 程式中的大多數程式碼行都是指令。

TensorFlow 圖（也稱為計算圖或資料流圖）是一種圖資料結構。很多 TensorFlow 程式由單個圖構成，但是 TensorFlow 程式可以選擇建立多個圖。圖的節點是指令；圖的邊是張量。張量流經圖，在每個節點由一個指令操控。一個指令的輸出張量通常會變成後續指令的輸入張量。TensorFlow 會實現延遲執行模型，意味著系統僅會根據相關節點的需求在需要時計算節點。

張量可以作為常量或變數儲存在圖中。您可能已經猜到，常量儲存的是值不會發生更改的張量，而變數儲存的是值會發生更改的張量。不過，您可能沒有猜到的是，常量和變數都只是圖中的一種指令。常量是始終會返回同一張量值的指令。變數是會返回分配給它的任何張量的指令。

要定義常量，請使用 tf.constant 指令，並傳入它的值。例如：

  x = tf.constant([5.2])

同樣，您可以建立如下變數：

  y = tf.Variable([5])

或者，您也可以先建立變數，然後再如下所示地分配一個值（注意：您始終需要指定一個預設值）：

  y = tf.Variable([0])
  y = y.assign([5])
 

定義一些常量或變數後，您可以將它們與其他指令（如 tf.add）結合使用。在評估 tf.add 指令時，它會呼叫您的 tf.constant 或 tf.Variable 指令，以獲取它們的值，然後返回一個包含這些值之和的新張量。

圖必須在 TensorFlow 會話中執行，會話儲存了它所執行的圖的狀態：

將 tf.Session() 作為會話：
  initialization = tf.global_variables_initializer()
  print(y.eval())

在使用 tf.Variable 時，您必須在會話開始時呼叫 tf.global_variables_initializer，以明確初始化這些變數，如上所示。

**注意：**會話可以將圖分發到多個機器上執行（假設程式在某個分散式計算框架上執行）。有關詳情，請參閱分散式 TensorFlow。

總結

TensorFlow 程式設計本質上是一個兩步流程：

1. 將常量、變數和指令整合到一個圖中。
2. 在一個會話中評估這些常量、變數和指令。

建立一個簡單的 TensorFlow 程式

我們來看看如何編寫一個將兩個常量相加的簡單 TensorFlow 程式。

新增 import 語句

與幾乎所有 Python 程式一樣，您首先要新增一些 import 語句。
當然，執行 TensorFlow 程式所需的 import 語句組合取決於您的程式將要訪問的功能。至少，您必須在所有 TensorFlow 程式中新增 import tensorflow 語句：

import tensorflow as tf

請勿忘記執行前面的程式碼塊（import 語句）。

其他常見的 import 語句包括：

import matplotlib.pyplot as plt   # 資料集視覺化。
import numpy as np                    # 低階數字 Python 庫。
import pandas as pd                  # 較高級別的數字 Python 庫。

TensorFlow 提供了一個預設圖。不過，我們建議您明確建立自己的 Graph，以便跟蹤狀態（例如，您可能希望在每個單元格中使用一個不同的 Graph）。

from __future__ import print_function

import tensorflow as tf

# Create a graph.
g = tf.Graph()

# Establish the graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of the following three operations:
  #   * Two tf.constant operations to create the operands.
  #   * One tf.add operation to add the two operands.
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")


  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    print(sum.eval())

練習：引入第三個運算數

修改上面的程式碼列表，以將三個整數（而不是兩個）相加：

1. 定義第三個標量整數常量 z，併為其分配一個值 4。
2. 將 sum 與 z 相加，以得出一個新的和。

**提示：**請參閱有關 tf.add() 的 API 文件，瞭解有關其函式簽名的更多詳細資訊。

3. 重新執行修改後的程式碼塊。該程式是否生成了正確的總和？

# Create a graph.
g = tf.Graph()

# Establish our graph as the "default" graph.
with g.as_default():
  # Assemble a graph consisting of three operations. 
  # (Creating a tensor is an operation.)
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  sum = tf.add(x, y, name="x_y_sum")
  
  # Task 1: Define a third scalar integer constant z.
  z = tf.constant(4, name="z_const")
  # Task 2: Add z to `sum` to yield a new sum.
  new_sum = tf.add(sum, z, name="x_y_z_sum")

  # Now create a session.
  # The session will run the default graph.
  with tf.Session() as sess:
    # Task 3: Ensure the program yields the correct grand total.
    print(new_sum.eval())