01-TensorFlow计算模型（一）——计算图

TensorFlow计算模型——计算图

关于TensorFlow

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操做，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你能够在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可普遍用于其余计算领域

计算图是TensorFlow中最基本的一个概念，TensorFlow中的全部计算都会被转化为计算图上的节点。

计算图的概念

TensorFlow从其名称能够获取的信息是，其包含了两个最重要的概念——Tensor和Flow。

Tensor的概念

Tensor就是张量。张量的概念在数学或物理学中有不一样的解释，但在TensorFlow中并不强调它自己的含义，而是将其简单地理解为多维数组。

Flow的概念

若是说TensorFlow中的Tensor代表了它的数据结构，那么Flow则体现了它的计算模型。中文将Flow翻译为“流”，它直观的表达了张量之间经过计算相互转化的过程。

TensorFlow中的计算图

TensorFlow是经过计算图的形式来表述计算的编程系统。TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

计算图的使用

TensorFlow程序的通常流程

第一，定义计算图中的全部的计算

第二，执行计算

• 计算定义阶段

import tensorflow as tf
      a = tf.constant([1.0, 2.0], name="a")
      b = tf.constant([2.0, 3.0], name="b")
      result = a + b
复制代码

在python中通常会采用“import tensorflow as tf”的形式来载入TensorFlow，这样子使用“tf”来代替“tensorflow”做为模块名称，使得整个程序更加简洁。

• 获取默认计算图以及如何查看一个运算所属的计算图 # 经过a.graph能够查看张量所属的计算图。由于没有特地指定，因此这个计算图应该等于 # 当前默认的计算图。因此下面这个操做输出值为True。 print(a.graph is tf.get_default_graph())

除了使用默认的计算图，TensorFlow支持经过tf.graph函数来生成新的计算图。不一样计算图上的张量和运算都不会共享。如下代码示意了如何在不一样计算图上定义和使用变量。

import tensorflow as tf
    g1 = tf.Graph()
    with g1.as_default():
        # 在计算图“g1”中定义变量“v”，并设置初始值为0。
        v = tf.get_variable("v",initializer=tf.zeros_initializer()(shape=[1]))
        
    g2 = tf.Graph()
    with g2.as_default():
        # 在计算图“g1”中定义变量“v”，并设置初始值为1。
        v = tf.get_variable("v",initializer=tf.ones_initializer()(shape=[1]))
        
    # 在计算图g1中读取变量“v”的取值。
    with tf.Session(graph=g1) as sess:
        tf.global_variables_initializer().run()
        with tf.variable_scope("",reuse=True):
            # 在计算图g1中，变量“v”的取值一个为0，因此下面这行会输出[0.]。
            print(sess.run(tf.get_variable("v")))
            
    # 在计算图g2中读取变量“v”的取值。
    with tf.Session(graph=g2) as sess:
        tf.global_variables_initializer().run()
        with tf.variable_scope("",reuse=True):
            # 在计算图g1中，变量“v”的取值一个为0，因此下面这行会输出[1.]。
            print(sess.run(tf.get_variable("v")))
复制代码

以上代码产生了两个计算图，每一个计算图中定义了一个名字为“v”的变量。在计算图g1中，将v初始化为0；在计算图g2中，将v初始化为1。能够看出来当运行不一样计算图时，变量v的值也是不同的。TensorFlow中的计算图不单单能够用来隔离张量和计算，它还提供了管理张量和计算的机制。计算图能够经过tf.Graph.device函数来制定运行计算的设备。这为TensorFlow使用GPU提供了机制。如下程序能够将加法计算泡在GPU上。

g = tf.Graph()
# 指定计算运行的设备。
with g.device('/gpu:0'):
    result = a+b
    print(result)
复制代码

github连接：github.com/DWCTOD/AI_s… 欢迎关注个人微信公众号：AI算法与图像处理，获取更多资讯