tensorflow（一）数据流图、张量、变量、操作、会话、优化器

一、数据流图
tensorflow数据流图是一种声明式编程范式（结构化、抽象化）。

数据流图优势：
1.并行计算快（可执行队列和拓扑排序）；
2.分布式计算快；
3.预编译优化；
4.可移植性好。
二、张量
张量：表示高维数据的抽象。

tensorflow中，张量表示某种相同数据类型的多维数组。
属性：1.数据类型；2.数组形状。
Tensorflow张量是什么？
张量是用来表示多维数据的；
张量是执行操作时的输入或输出数据；
用户通过执行操作来创建或计算张量；
张量的形状不一定在编译时确定，可以在运行时通过形状推断计算得出。
几类特殊张量：
tf.constant //常量
tf.placeholder //占位符，需要在图外填充数据
tf.Variable //变量
三、变量
主要作用是维护节点的状态。
tf.Variable方法是操作，返回值是变量（特殊张量）。
张量的生命周期随依赖的计算完成而结束，内存随之释放；
变量常驻内存，每次训练不断更新，以实现模型参数的更新。
TensorFlow变量使用流程：

四、操作
tensorflow用数据流图表示算法模型。数据流图由节点和有向边组成，每个节点对应一个具体操作。
节点按功能分类：
存储节点：有状态的变量操作，存储模型参数；
计算节点：无状态的计算或控制操作，负责算法逻辑表达或流程控制；
数据节点：数据的占位符操作，描述图外输入数据的属性。
操作的输入和输出都是张量或操作。
五、会话
会话提供了估算张量和执行操作的运行环境，是发放计算任务的客户端。



六、优化器
tensorflow训练机制

tensorflow优化器