前言

基礎知識，前面我們介紹到，Tensorflow的資料流圖是由節點和邊組成的有向無環圖，此外，還涉及一些其他概念，如圖、會話、裝置、變數、核心等。

圖（Graph）

import tensorflow as tf

# 建立圖
# 建立一個常量運算操作，產生一個1 x 2的矩陣
matrix1 = tf.constant([[3., 3.]])
# 建立另一個常量運算操作，產生一個2 x 1的矩陣
matrix2 = tf.constant([[2.], [2.]])
# 建立一個矩陣乘法運算，把matrix1 和matrix2 作為輸入
# 返回值product 代表矩陣乘法的結果
 

product = tf.matmul(matrix1, matrix2)

會話（Session）

啟動圖的第一步是建立一個Session物件。會話提供在圖中執行操作的一些方法，建立會話後，生成一張空圖，在會話中新增節點和邊，形成一張圖，然後執行。

# 會話
with tf.Session() as sess:
	# 呼叫Session物件的run()方法來執行圖時，傳入一些Tensor（此過程稱為填充（feed））
	# 返回結果，這個過程稱為（fetch）
    result = sess.run([product])
    print(result)

輸出我：[array([[12.]], dtype=float32)]
 

會話是圖互動的一個橋樑，一個會話可以有多個圖，會話可以修改圖的結構，也可以往圖中注入資料進行計算。
主要有兩個API介面：Extend和Run
Extend操作：是在Graph中新增節點和邊
Run操作：是輸入計算的節點和填充必要的資料後，進行運算，並輸出運算的結果

裝置（device）

裝置是指一塊用來運算的硬體，如GPU和CPU，主要是為了實現分散式執行操作，充分利用計算資源，我們可以明確指定操作在哪個裝置上執行。

import tensorflow as tf

# 裝置
with tf.Session() as sess:
    matrix1 = tf.
 
constant([[3., 3.]])
    matrix2 = tf.constant([[2.], [2.]])

    product = tf.matmul(matrix1, matrix2)
    # 指定在第二個GPU上執行
    with tf.device("/gpu:1"):
        result = sess.run([product])
        print(result)

輸出為：[array([[12.]], dtype=float32)]

變數（variable）

變數在Tensorflow是一種特殊的資料，它在圖中有固定的位置，不像普通的張量那樣可以流動。

• 使用tf.Variable()建構函式
• 這個函式需要一個初始值，形狀和型別

# 建立一個變數，初始化為標量0
state = tf.Variable(0, name="counter")
# 建立一個常量張量
input1 = tf.constant(3.0)

Tensorflow提供了填充機制，可以在構建圖時使用，tf.placeholder()臨時替代任意操作的張量，在呼叫Session物件的run()方法來執行圖時，使用填充資料作為呼叫的引數，呼叫結束後，填充資料就消失。

# tf.placeholder()臨時替代任意操作的張量
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))

輸出為：[array([14.], dtype=float32)]

核心（kernel）

核心是能夠在特定裝置（如GPU、CPU）上的一種對操作的實現。因此，同一個操作可能會對應多個核心