TensorFlow编程概念

译者: Jack Wu
翻译自: https://colab.research.google.com/notebooks/mlcc/tensorflow_programming_concepts.ipynb

学习目标：

• 了解TensorFlow编程模型的基础知识，重点关注以下概念：
  • 张量(tensor)
  • 操作(operation)
  • 图(graph)
  • 会话(session)
• 构建一个简单的TensorFlow程序，这个程序包括一个默认的图和运行图的会话

注意： TensorFlow编程模型可能与您遇到的其他模型不同，因此可能不像您期望的那样直观。

概念概述

TensorFlow的名字来自张量，它是任意维度的数组。使用TensorFlow，您可以操纵具有非常多维度的张量。也就是说，大多数情况下，您将使用以下一个或多个低维张量：

• 标量(scalar)是一个0维数组（0阶张量）。例如，“Howdy”或“5”
• 向量(vector)是一个1维数组（1阶张量）。例如，[2,3,5,7,11]或[5]
• 矩阵(matrix)是一个2维数组（2阶张量）。例如，[[3.1,8.2,5.9] [4.3，-2.7,6.5]]

TensorFlow的operations创建、销毁和操纵tensors。典型的TensorFlow程序中的大多数代码行都是operations。

TensorFlow的graph（也称为计算图或数据流图）是图数据结构。Graph的节点(node)是operations（在TensorFlow中，每个operation都与graph相关联）。许多TensorFlow程序由单个graph组成，但TensorFlow程序可以选择创建多个graphs。graph的节点是operations;图的边是tensors。Tensors流经graph，通过operation在每个节点处被操纵处理。一个operation的输出tensor通常成为后续operation的输入tensor。TensorFlow实现了延迟执行模型(lazy execution model)，意味着，基于关联节点的需求，某个结点仅在需要时才被计算。

Tensor可以作为常量(constant)或变量(variable)存储在graph中。常量持有一个值不可变的tensor，而变量持有一个值可变的tensor。其实，常量和变量也是graph中的operation。常量是始终返回相同张量值的operation。变量也是一个operation，它返回赋值给它的tensor。

要定义常量，使用tf.constant运算符并传入其值。例如：

  x = tf.constant(5.2)

同样，您可以创建一个这样的变量：

  y = tf.Variable([5])

或者您可以先创建变量，然后再给它赋值，像这样（请注意，您始终必须指定一个默认值）：

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

一旦定义了一些常量或变量，就可以将它们与tf.add等其他operation结合起来。当对tf.addoperation求值时，它将调用tf.constant或tf.Variableoperation，以获取它们的值，然后返回求和后的新tensor。

Graph必须在TensorFlow session中运行，该session保存它运行的graph的状态：

with tf.Session() as sess:
  initialization = tf.global_variables_initializer()
  print(y.eval())

使用tf.Variable，您必须在session开始时调用tf.global_variables_initializer来显式初始化它们，如上所示。

注意：session可以跨多台机器来分发graph的执行（假设程序在某个分布式计算框架上运行）。有关更多信息，请参阅Distributed TensorFlow。

摘要

TensorFlow编程基本上分为两步：

1. 将constant，variable和operation组合到graph中。
2. 在session中对constant、variable和operation进行求值。

创建一个简单的TensorFlow程序

让我们看看如何编写一个简单的TensorFlow程序来对两个constant进行相加。

提供import语句

与几乎所有Python程序一样，您将首先指定一些import语句。
运行TensorFlow程序所需的import语句集取决于程序将访问的功能。至少，您必须在所有TensorFlow程序中提供import tensorflow语句：

import tensorflow as tf

不要忘记执行前面的代码块（import语句）。

其他常见的import语句包括以下内容：

import matplotlib.pyplot as plt # Dataset可视化。
import numpy as np # 低级Python数值计算库。
import pandas as pd # 高级Python数值计算库。

TensorFlow提供默认的graph。但是，我们建议明确创建自己的Graph以便于跟踪状态（例如，您可能希望在每个单元格(cell)中使用不同的Graph）。

from __future__ import print_function

import tensorflow as tf

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

# 将此graph建立为“默认”graph。
with g.as_default():
  # 编排由以下三个operation组成的graph：
  # * 两个用于创建操作数(operand)的tf.constant operation。
  # * 一个tf.add operation 用来相加两个operand。
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  my_sum = tf.add(x, y, name="x_y_sum")


  # 现在创建一个session。
  # session将运行默认的graph。
  with tf.Session() as sess:
    print(my_sum.eval())

练习：引进第三个operand

修改上面的代码清单，相加三个整数，而不是两个：

1. 定义第三个标量(scalar)整数constant z，并为其赋值“4”。
2. 将z添加到my_sum以产生新的和。

提示：有关其功能签名的更多详细信息，请参阅tf.add()的API文档。

3. 重新运行修改后的代码块。程序是否生成了正确的和？

解决方案

# 创建图表。
g = tf.Graph()

# 将我们的graph设为“默认”的graph。
with g.as_default():
  # 组装由三个operation组成的graph。
  #（在graph中创建tensor。）
  x = tf.constant(8, name="x_const")
  y = tf.constant(5, name="y_const")
  my_sum = tf.add(x, y, name="x_y_sum")

  # 任务1：定义第三个scalar整数constant z。
  z = tf.constant(4, name="z_const")
  # 任务2：将z添加到`my_sum`以产生新的和。
  new_sum = tf.add(my_sum, z, name="x_y_z_sum")

  # 现在创建一个session。
  # session将运行默认graph。
  with tf.Session() as sess:
    # 任务3：确保程序产生正确的总和。
    print(new_sum.eval())

更多的信息

要进一步探索基本的TensorFlow graph，请尝试以下教程：

• Mandelbrot set