1 tensorflow是什么

是一个采用数据流图（data flow graphs)，用于数值计算的开源软件库，于2015年11月发布。

2 为什么选择tensorflow

2.1 灵活性和稳定性

最初由google开发，用来做机器学习的学术研究和产品开发的一个基础平台框架。

2.2 受欢迎程度

相对于现有的机器学习框架，比如Keras，Caffe，PyTorch，Torch，Theano等，在githup上的Stars和Repositories是最高的。许多公司，比如google，openai，intel，nvidia等都在使用tensorflow。同时，网上关于tensorflow的文档资料也是最全面的。

3 理解Graphs 和Sessions

3.1 数据流图（data flow graphs)

首先，我们定义一个graph图，然后，通过一个session去执行图中的操作（最新的eager model将不需要这样形式定义），如下图所示：
在这里插入图片描述

3.2 什么是tensor

简单说，tensor就是一个n维的array，在tensorflow里，不同的维度对应的形式如下：

0维度tensor: 对应一个scalar数量值（比如数字number)
1维度tensor：对应的是一个vector向量
2维度tensor：对应的是一个matrix矩阵
…

import tensorflow as tf
a = tf.add(3,5)

如上做一个简单加法，则用tensorboad可视化图形如下：
在这里插入图片描述
当你没有明确给出节点的name的时候，tensorflow会自动给节点一个名字，所以上图对应的是： $x = 3, y = 5$
图的节点Nodes类型有三种：

操作operators
变量variables
常量constants

Edges边只代表一种：

tensors
最终图形式如下：

所以这也为什么取名为tensorflow了，因为：
tensors 是data
tensorflow = tensor + flow = data + flow

接下来，我们怎么得到上面的相加的 $a$ 的值呢？

创建一个session，session会计算图中所有指向节点a的节点，如下图所示：
在这里插入图片描述
计算代码如下：

import tensorflow as tf
a = tf.add(3,5)
with tf.Session() as sess:
	print(sess.run(a))

3.3 tf.Session()

一个session object用来封装环境，在这个环境里，执行operation object，计算tensor object。session同时也会为当前的变量值分配内存资源。在图中定义的各种operations，当我们run的时候，对应的值所涉及的operation才会操作，没有涉及的operation，session不会进行计算。如下图所示：
在这里插入图片描述
计算代码如下：

x = 2
y = 3
add_op = tf.add(x,y)
mul_op = tf.multiply(x, y)
useless = tf.multiply(x, add_op)
pow_op = tf.pow(add_op, mul_op)
with tf.Session() as sess:
	z = sess.run(pow_op)

如果我们只想要pow_op的值，则session不会计算useless的值。
如果需要pow_op的值，只需要fetch 一系列的tensors就可，只需在最后一行改下：

z, not_useless = sess.run([pow_op, useless])

3.4 为什么选择graphs

节省计算开销，只需要执行你想要获取的值的operations，无关的operations不需要计算
自动微分更灵活，将计算拆分成一块块小的不同的部分，可以更加灵活的进行自动微分计算
分布式计算，可以将work分布在多CPU，GPU或者TPU进行计算
图结构模型，许多常见的机器学习模型都视作有方向的图graphs

tensorflow概述

目录