TensorFlow入门（1）：张量、计算图、会话

环境：Ubuntu 16.04，Python 3，Tensoflow-gpu v1.9.0 ，CUDA 9.0

1. 张量（Tensor）

张量（tensor）：多维数组（列表）
阶：张量的维数
例如：

阶	名称	例子
0	标量（scalar）	s = 123
1	向量（vector）	s = [1, 2, 3]
2	矩阵（matrix）	s = [[1, 2, 3], [4, 5, 6]]
n	张量（tensor）	t = [[[ …

实例：张量的加法

实现两个张量a和b的加法：

import tensorflow as tf

# tf.constant()表示定义常量
a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])

result = a + b
print(result)

输出result：

Tensor("add:0", shape=(2,), dtype=float32)

各部分解释：

• add：add节点
• 0：第0个输出
• shape：维度
• 2：一维数组的长度为2
• dtype=float32：数据类型为32位浮点数

2. 计算图（Graph）

上述代码描述的其实是一个计算过程，也称计算图。
运行结果是一个张量，并不实际运算其具体值。

计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算。

下图表示一个计算节点，节点中y = X1 * w1 + X2 * w2，w即是权重（weight）。

计算图就是承载一个或多个计算节点的计算过程。计算节点也正是神经元的基本抽象。

举例如下：

import tensorflow as tf

x = tf.constant([[1.0, 2.0]]) # 1行2列
w = tf.constant([[3.0], [4.0]]) # 2行1列

y = tf.matmul(x, w) # 矩阵乘法，结果为1行1列
print(y)

输出为一个1行1列的向量：

Tensor("MatMul:0", shape=(1, 1), dtype=float32)

3. 会话（Session）

想要得到运算结果，就要使用会话模块。
会话（Session）：执行计算图中的节点运算。

基本用法：

with tf.Session() as sess:
    print sess.run(y)

计算上例中的节点y：

import tensorflow as tf

x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])

y = tf.matmul(x, w)
print(y)

with tf.Session() as sess:
    print sess.run(y)

结果：

Tensor("MatMul:0", shape=(1, 1), dtype=float32)
[[11.]]

P.S. 输出结果中会有几个warning，是因为运算加速指令没有开启。
可以暂时降低提示等级：在～/.bashrc尾部加入一句：export TF_CPP_MIN_LOG_LEVEL=2，然后终端source ~/.bashrc使配置生效。