1 张量和图

TensorFlow是一种采用数据流图（data flow graphs），用于数值计算的开源软件库。其中 Tensor 代表传递的数据为张量（多维数组），Flow 代表使用计算图进行运算。数据流图用「结点」（nodes）和「边」（edges）组成的有向图来描述数学运算。「结点」一般用来表示施加的数学操作，但也可以表示数据输入的起点和输出的终点，或者是读取/写入持久变量（persistent variable）的终点。边表示结点之间的输入/输出关系。这些数据边可以传送维度可动态调整的多维数据数组，即张量（tensor）。

a = tf.constant(2, tf.int16)b = tf.constant(4, tf.float32)graph = tf.Graph()with graph.as_default():    a = tf.Variable(8, tf.float32)    b = tf.Variable(tf.zeros([2,2], tf.float32))    with tf.Session(graph=graph) as session:    tf.global_variables_initializer().run()    print(f)    print(session.run(a))    print(session.run(b))#输出：>>> 
     
      >>> 8>>> [[ 0.  0.]>>>  [ 0.  0.]]
     

在 Tensorflow 中，所有不同的变量和运算都是储存在计算图。所以在我们构建完模型所需要的图之后，还需要打开一个会话（Session）来运行整个计算图。在会话中，我们可以将所有计算分配到可用的 CPU 和 GPU 资源中。

如下所示代码，我们声明两个常量 a 和 b，并且定义一个加法运算。但它并不会输出计算结果，因为我们只是定义了一张图，而没有运行它：

1. a=tf.constant([1,2],name="a")
2. b=tf.constant([2,4],name="b")
3. result = a+b
4. print(result)

#输出：Tensor("add:0", shape=(2,), dtype=int32)

下面的代码才会输出计算结果，因为我们需要创建一个会话才能管理 TensorFlow 运行时的所有资源。但计算完毕后需要关闭会话来帮助系统回收资源，不然就会出现资源泄漏的问题。下面提供了使用会话的两种方式：

a=tf.constant([1,2,3,4])b=tf.constant([1,2,3,4])result=a+bsess=tf.Session()print(sess.run(result))sess.close#输出 [2 4 6 8]with tf.Session() as sess:    a=tf.constant([1,2,3,4])    b=tf.constant([1,2,3,4])    result=a+b    print(sess.run(result))#输出 [2 4 6 8]

2 常量和变量

TensorFlow 中最基本的单位是常量（Constant）、变量（Variable）和占位符（Placeholder）。常量定义后值和维度不可变，变量定义后值可变而维度不可变。在神经网络中，变量一般可作为储存权重和其他信息的矩阵，而常量可作为储存超参数或其他结构信息的变量。下面我们分别定义了常量与变量：

a = tf.constant(2, tf.int16)b = tf.constant(4, tf.float32)c = tf.constant(8, tf.float32)d = tf.Variable(2, tf.int16)e = tf.Variable(4, tf.float32)f = tf.Variable(8, tf.float32)g = tf.constant(np.zeros(shape=(2,2), dtype=np.float32))h = tf.zeros([11], tf.int16)i = tf.ones([2,2], tf.float32)j = tf.zeros([1000,4,3], tf.float64)k = tf.Variable(tf.zeros([2,2], tf.float32))l = tf.Variable(tf.zeros([5,6,5], tf.float32))

在上面代码中，我们分别声明了不同的常量（tf.constant()）和变量（tf.Variable()），其中

tf.float 和tf.int 

tftf

分别声明了不同的浮点型和整数型数据。而 tf.ones() 和 tf.zeros() 分别产生全是 

1、全是 0 的矩阵。我们注意到常量 g，它的声明结合了 TensorFlow 和 Numpy，这也是可执行的。

w1=tf.Variable(tf.random_normal([2,3],stddev=1,seed=1))

以上语句声明一个2 行 3 列的变量矩阵，该变量的值服从标准差为 1 的正态分布，并随机生成。

现在，我们可以应用变量来定义神经网络中的权重矩阵和偏置项向量：

weights = tf.Variable(tf.truncated_normal([256 * 256, 10]))biases = tf.Variable(tf.zeros([10]))print(weights.get_shape().as_list())print(biases.get_shape().as_list())#输出>>>[65536, 10]>>>[10]