数据流图 Data Flow Graphs ， 深度学习--Tensorflow 编程原理

如果你是 Theano 出身的学院派，比如我，可以很轻松的理解和使用 Tensorflow 。因为，TensorFlow 工具的编写参考了 Theano 的数据流图的思想。唯一一点需要记住的是，请忘掉 Theano.funciton() 函数吧。

如果你是从C、汇编这样面向过程的语言开始，或者从 c++、java 、python等面向对象的编程语言开始，涉足 Tensorflow 的话，我相信我的教程，对你入门 TensorFlow 、甚至掌握 TensorFlow 会有非常大的帮助。原因有两点：

1）大学阶段，为了提高自己的 Windows 安防知识、软件破解技能，我曾经阅读过大量的汇编代码和c语言代码；我知道像 C++ 这样面向对象的语言如何编译成汇编代码的；在我看来，面向对象语言在汇编层面其实是个谎言。(当然，汇编，c，c++，java 都是我主修的专业课，因为我的专业计算机科学与技术) 因此，我把他们统称为面向过程的语言。

2）研究生阶段，我开始学习神经网络、DL 的理论知识，并且开始用 Theano 做实验。当时，因为数据流图的思想，跟传统的编程模式，Gap 很大，也很苦恼。于是便，花时间心思，去理解 数据流图的编程原理。

那让我们开始吧。

一、TF数据流图的数学计算，由数据驱动的；面向过程语言的数学计算，由代码驱动的

TensorFlow 数据流图的编程思想是，数学计算由数据驱动执行的；而面向过程的语言（以python语言示例）的编程思想是，数学计算由代码驱动执行的。

例子，(a + b) * c 在TensorFlow 和 python 的实现

import tensorflow as tf

def func_of_python():
  a = 2
  b = 17
  c = 91

  add_res = a + b
  print("   [Debug] 此处,你可以打印中间结果的信息。add_res = {}".format(add_res))
  
  mul_res = add_res * c

  return mul_res

def func_of_tf():
  a = tf.constant(2)
  b = tf.constant(17)
  c = tf.constant(91)
  
  add_op = a + b
  print("   [Debug] 此处,你如果想打印 a + b 的值，控制台输出肯定不是你期望的结果。add_op = {}".format(add_op))
  
  mul_op = add_op * c

  init = tf.global_variables_initializer()
  sess = tf.Session()
  
  sess.run(init)
  mul_op_res = sess.run([mul_op])
  return mul_op_res

if __name__ == '__main__':
  print("调用 python 版 (a + b) * c ")
  result = func_of_python()
  print("(a + b) * c = {}".format(result))

  print("调用 tensorflow 版 (a + b) * c ")
  result = func_of_tf()
  print("(a + b) * c = {}".format(result))
  pass

控制台输出:

调用 python 版 (a + b) * c 
   [Debug] 此处,你可以打印中间结果的信息。add_res = 19
(a + b) * c = 1729
调用 tensorflow 版 (a + b) * c 
   [Debug] 此处,你如果想打印 a + b 的值，控制台输出肯定不是你期望的结果。add_op = Tensor("add:0", shape=(), dtype=int32)
(a + b) * c = [1729]

你可能会埋怨，(a+b)*c 这么简单的运算，python 5行代码就实现了，为什么要用 tensorflow 的9行代码去实现呢？

你可能会吃惊，为什么打印的 add_op 不是一个数字呢？

你可能会不解，因为遇到，好几个陌生 Tensorflow 的函数！

但是，我们此行的目的是解释，数据流图的数学计算，由数据驱动的，过程语言的数学计算，由用代码驱动的。

对于 python 语言来说，当机器执行到下面的语句时，

add_res = a + b

实际上，已经计算出了 add_res 的值。换句话说，过程语言，遇到代码，便进行计算。

而，对于 Tensorflow 程序来说，请看下面程序注解：

def func_of_tf():
  a = tf.constant(2)    # 此处 a 不是基本的 int 类型，而是一个由 const Tensor 创建的类实例
  b = tf.constant(17)
  c = tf.constant(91)
  
  add_op = a + b
  
  mul_op = add_op * c

  # 上面的几行，仅仅画了一个数据的流程图，并没有真正的做数学计算

  init = tf.global_variables_initializer() # 
  sess = tf.Session()   # 打开了一个与 Tensorflow 会话的 Session
  
  sess.run(init)

  # 执行完run，tensorflow 才真正的开始做数学计算
  mul_op_res = sess.run([mul_op])

  return mul_op_res

Tensorflow 函数首先在 Graph 画板上画出了一个数据流图，如下：

区别于 func_of_python 中的 a、b、c，此处的a、b、c 均是 Tensor 类的实例，且绑定了常量数据分别为 2、17、91。                 要想获得 (a + b) * c 的值，需要调用 sess.run() 方法获得。

二、总结，TF数据流图和面向过程语言的数学运算，触发的时间点是不同的

上一节，从代码角度，讲解了 TF 数据流图和面向过程语言触发的时机。宏观上来讲，面向过程的语言是不会关注，整个数学运算的所有环节，而 TF 数据流图掌控整个数学运算的所有环节。至于优势吗？TF 可以在了解了所有数学运算环节之后，进行优化。

三、 Eager Execution 模型，可以像面向过程语言一样，随时计算

最近，Eager Execution 出炉了。他可以像 python numpy 一样，时刻计算，随时打印。不过，数据流图也不难嘛！大家加油学好它。同时，也期待 Google 的工程师能优化 Eager Execution 模型的计算效率，使其和数据流图一样高效，那时候，我们就不需要跨越数据流图这个鸿沟了。