tensorflow学习，几个基本概念：图，会话，feed，fetch等（一）

基本概念

---

tensorflow 的安装可以参考：tensorflow的安装
计划学习 tensorflow，于是找了一本书来看，说是白话书，却看得我一头雾水，什么 图，会话，feed，fetch等，完全不了解，这里搜集了一些资料，结合自己的理解，贴在这里。
以下几点是 TensorFlow 的一些基本概念，在学习和使用的过程中，是首先要明白的。

• 在 tensorflow 中，一个图（grapg） 表示一个计算任务
• 执行图（任务）的上下文，称之为 会话（session）
• tensorflow 的数据单元当然是 张量（tensor）
• tensorflow 通过 变量（variable） 维护状态
• 图中的节点被称之为 op (operation 的缩写) . 一个 op 获得 0 个或多个 Tensor , 执行计算, 产生 0 个或多个 Tensor . 每个 Tensor 是一个类型化的多维数组
• tensorflow 使用 feed 和 fetch 可以为任意的操作赋值，或者从中获取数据。

接下来本节几部分内容都是围绕这几句话阐述的。

tensorflow 的一次基础 python 代码流程

---

插入一点代码，结合着，再理解上面几句话。

#encoding=utf8
import tensorflow as tf
# 使用 tensorflow 的默认图 tf

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])

# 创建一个矩阵乘法 matmul op , 把 'matrix1' 和 'matrix2' 作为输入.
product = tf.matmul(matrix1, matrix2)

# 现在我们在默认图 tf 上添加了 3 个 op(matrix1, matrix2, product)
# 按照上面说的，tensorflow 计算需要在 session 里进行

# 启动 tf 默认图
session = tf.Session()

# 执行计算
res = session.run(product)
print res

# 使用完要关闭 session
session.close()

结合注释，应该大概了解 tensorflow 的一次 python 代码基本流程了。

tensorflow 的变量

---

在实战项目中，变量（tensor）可以存储神经网络的权重，通过重复运行训练图，更新这个 tensor.

#encoding=utf8
import tensorflow as tf
# 使用 tensorflow 的默认图 tf

# 创建变量，初始化为标量 0
state = tf.Variable(0, name='counter')

# 常量 op
one = tf.constant(1)

# 加法 op
tmp = tf.add(state, one)

# assign() 操作是图所描绘的表达式的一部分, 正如 add() 操作一样. 
# 在调用 run() 执行表达式之前, 它并不会真正执行赋值操作.
new = tf.assign(state, tmp)

# 初始化 op 到图中
initOp = tf.global_variables_initializer()

# 创建 session
session = tf.Session()

session.run(initOp)
print session.run(state)    # 初始值

for _ in range(3):
    session.run(new)
    print session.run(state)

相信注释已经非常清楚了。

tensorflow 的 fetch

---

fetch，顾名思义，就是取数据而已，在上面的例子中，我们都是取出单个 tensor，tensorflow 支持同时取出多个 tensor，以下是一个实例，是本节第一个实例改写的：

#encoding=utf8
import tensorflow as tf
# 使用 tensorflow 的默认图 tf

matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])

# 添加了 sum op
product = tf.matmul(matrix1, matrix2)
sum     = tf.add(matrix1, matrix2)

session = tf.Session()

# 执行计算 乘积 与 和
res = session.run([product, sum])
print res

# 使用完要关闭 session
session.close()

tensorflow 的 feed

---

feed，看其名字猜测就是给某些变量（tensor）传递数据，官方的解释是：

feed 使用一个 tensor 值临时替换一个操作的输出结果. 你可以提供 feed 数据作为 run() 调用的参数. feed只在调用它的方法内有效, 方法结束, feed 就会消失.

还是以实例说明：

#encoding=utf8
import tensorflow as tf
# 使用 tensorflow 的默认图 tf

input1 = tf.placeholder(tf.types.float32)
input2 = tf.placeholder(tf.types.float32)
# 此时，input1 和 input2 只说明了数据类型，还没有传递数据
output = tf.mul(input1, input2)
with tf.Session() as sess:
    # feed 传递数据给 output op 的 input1 和 input2
    print sess.run([output], feed_dict={input1:[7.], input2:[2.]})

至此，已经对 tensorflow 有了一定的了解。