摘要：張量的命名形式，為節點的名稱，表示當前張量來自來自節點的第幾個輸出。，要求的輸入對象是一個但是它的輸出是一個數組輸出其他基本概念常量變量占位符常量中使用常量很簡單，如，。返回的的類型返回的的形狀的名字布爾值，用于驗證值的形狀。

（代碼基于tensorflow 1.14 cpu版本，讀者需要具有良好的python基礎和線性代數知識）

第三章主要介紹TensorFlow的計算模型、數據模型和運行模型，對TensorFlow的工作原理能有一個大致了解。

TensorFlow程序一般分為兩個階段。第一階段：定義計算圖中所有的計算，然后定義一個計算來得到他們的和；第二階段：執行計算。

TensorFlow這個單詞由兩部分組成：tensor代表張量，是數據模型；flow代表流，是計算模型。下面就引出Flow的具體內涵。

流動的事務具有有向性，計算圖就是一個具有 “每一個節點都是計算圖上的一個節點，而節點之間的邊描述了計算之間的依賴關系” 性質的有向圖。（計算圖和數據結構這門課程中的有向圖具有高度的相似性，現在可以回憶一下這段記憶）

計算圖由邊（表示依賴關系，又被叫做“張量”）和節點（又被叫做“神經元”、“算子”）組成。如果tensorflow程序只定義了一個Graph，那其內部包含了所有的op和tensor

在TensorFlow程序中，系統會自動維護一個默認的計算圖，通過tf.get_default_graph()函數可以獲取這個默認的計算圖。

import tensorflow as tf

a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([1.0, 2.0], name="b")

result = a + b

#通過a.graph屬性可以查看這個張量所屬的計算圖。因為沒有特意指定，所以這個計算圖應該等于當前默認的計算圖
print(a.graph is tf.get_default_graph())

"""
輸出>>>
True
"""

Tensorflow通過計算圖把張量和算子等組合在一起，而在很多TensorFlow程序中，看不到Graph,這是為何?這是因為TensorFlow有個默認缺省的graph
(即Graph.as_default()),我們添加的tensor和op等都會自動添加到這個缺省計算圖中，如果沒有特別要求，使用這個默認缺省的Graph即可。當然，如果需要一些更復雜的計算，比如需要創建兩個相互之間沒有交互的模型，就需要自定義計算圖。

除了使用默認的計算圖，TensorFlow支持通過tf.Graph函數來生成新的計算圖。TensorFlow中的計算圖不僅可以隔絕張量和計算，它還提供了管理張量和計算的機制，不同計算圖上的張量和運算不會共享。
以下代碼示意了如何通過在不同的計算圖上定義和使用變量。

import tensorflow as tf

g1 = tf.Graph()
with g1.as_default():
    v = tf.get_variable("v", shape=[1], initializer=tf.zeros_initializer)

g2 = tf.Graph()
with g2.as_default():
    v = tf.get_variable("v", shape=[1], initializer=tf.ones_initializer)
"""
tf.Graph()沒有實現__enter__()方法，做不到下面那優雅pythonic的寫法。
with tf.Graph() as g2:
    v = tf.get_variable("v", shape=[1], initializer=tf.ones_initializer)
    
這樣寫了就會拋出AttributeError異常

Traceback (most recent call last):
  File "D:/bb/TensorFlow/Untitled1.py", line 7, in 
    with tf.Graph() as g2:
AttributeError: __enter__
"""

with tf.Session(graph=g1) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))

with tf.Session(graph=g2) as sess:
    tf.global_variables_initializer().run()
    with tf.variable_scope("", reuse=True):
        print(sess.run(tf.get_variable("v")))
"""
輸出>>>
[0.]
[1.]
注：先不要管代碼是什么含義，繼續往下看
"""

如果有多個Graph，建議不使用默認的Graph，直接無視或者為其分配一個句柄，避免發生混亂

import tensorflow as tf

graph1 = tf.Graph()
graph2 = tf.Graph()  # 直接無視默認缺省的Graph
# graph2 = tf.get_default_graph() 為其分配一個句柄

with graph1.as_default():
    pass

with graph2.as_default():
    pass

在TensorFlow的程序中，所有的數據都通過張量（tensor）的形式表示。

張量（tensor）理解為多維數組（multidimensional array），0階張量是標量（scalar），1階是向量（vector）（即一維數組），2階是二維數組，n階為n維數組。

TensorFlow的運算結果不是一個數，而是一個張量結構。（運算和運行在tensorflow語境中不同，運算就是用過運算符操作，運行就和會話有關，3.3會提到）

import tensorflow as tf

a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([1.0, 2.0], name="b")

result = tf.add(a, b, name="add")

print(result)
"""
輸出>>>
Tensor("add:0", shape=(2,), dtype=float32)
"""

一個張量保存了三個屬性：名字（name）、維度（shape）和類型（type）

名字name：一個張量的唯一標識符以及這個張量是如何計算出來的。

張量的命名形式：“node：src_output”，node為節點的名稱，src_output表示當前張量來自來自節點的第幾個輸出。
比如上面的代碼的輸出"add:0"說明張量result是計算節點“add”輸出的第一個結果（編號從0開始）

張量和計算圖上節點的計算結果是一一對應的。

維度shape：描述了一個張量的維度信息。

上面樣例的shape（2，）表示一個一維數組，這個數組的長度是2。

類型type：每一個張量都有一個唯一的類型，常用的是tf.int32，tf.float32。參與運算的張量需要保持數據類型相同，不然會報錯。

TensorFlow支持的14種數據類型
有符號整型
tf.int8：8位整數
tf.int16：16位整數
tf.int32：32位整數
tf.int64：64位整數
無符號整型
tf.uint8：8位無符號整數
tf.uint16：16位無符號整數
浮點型
tf.float16：16位浮點數
tf.float32：32位浮點數
tf.float64：64位浮點數
tf.double：等同于tf.float64
字符串型
tf.string：字符串
布爾型
tf.bool：布爾型
復數型
tf.complex64：64位復數
tf.complex128：128位復數

TensorFlow數據類型和Python原生數據類型的關系

TensorFlow接受了Python自己的原生數據類型，例如Python中的布爾值類型，數值數據類型（整數，浮點數）和字符串類型。單一值將轉換為0維張量（標量），列表值將轉換為1維張量（向量），列表套列表將被轉換成2維張量（矩陣）

TensorFlow數據類型和Numpy數據類型的關系

你可能已經注意到了Numpy和TensorFlow有很多相似之處。TensorFlow在設計之初就希望能夠與Numpy有著很好的集成效果。Numpy軟件包現在已經成為數據科學的通用語言。

TensorFlow數據類型很多也是基于Numpy的，事實上，如果你令 np.int32==tf.int32將會返回True.你也可以直接傳遞Numpy數據類型直接給TensorFlow中的ops。

tf.ones([2, 2], np.float32) ==> [[1.0 1.0], [1.0 1.0]]

請記得，我們的好朋友會話tf.Session.run()，要求的輸入對象是一個Tensor但是它的輸出是一個Numpy數組。事實上，在絕大多數場合，你可以同時混合使用TensorFlow類型和Numpy類型。

張量使用可以歸結為兩大類。

1.第一類對中間計算結果的引用，提升代碼的可讀性

使用張量和不使用張量的對比

import tensorflow as tf

#使用張量記錄
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([1.0, 2.0], name="b")
result1 = a + b

#不使用張量，簡潔但是可讀性降低
result2 = tf.constant([1.0, 2.0], name="a") + tf.constant([1.0, 2.0], name="b")

#jie"guo"xiang"t
print(result1)
print(result2)

"""
輸出>>>
Tensor("add:0", shape=(2,), dtype=float32)
Tensor("add_1:0", shape=(2,), dtype=float32)
"""

2.第二類情況是計算圖構造完成后，張量可以用來獲取計算結果
使用tf.Session().run(result)語句可以得到計算結果

計算圖描述計算
張量是組織數據
會話執行定義好的運算

會話管理TensorFlow程序運行時的所有資源，并在運行結束后釋放所有的資源。

會話機制類似于計算圖機制：
計算圖：在一開始就有一個默認的計算圖存在，并且沒有特別指定，運算會自動加入到這個默認的計算圖中
會話：會要手動創建，張量自動添加。

TensorFlow使用會話模式有兩種方式

1.普通模式

import tensorflow as tf

# 加入了一個異常處理機制，確保釋放資源
try:
    sess = tf.Session()  # 創建一個會話
    sess.run(...)  # 運行，得到計算結果
except Exception:
    pass
finally:
    sess.close()  # 關閉會話，釋放資源

2.上下文模式
這才是pythonic的寫法，極力推薦

import tensorflow as tf

with tf.Session as sess:
    sess.run()
#運行到這個位置會自動釋放sess的資源，優雅尼克

這是2.2程序的引用，會話的寫法多種多樣，我們應用最優雅、最pythinc的代碼去闡述。

import tensorflow as tf

a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([1.0, 2.0], name="b")

result = tf.add(a, b, name="add")

with tf.Session() as sess:
    # tf.Session.run()，要求的輸入對象是一個Tensor但是它的輸出是一個Numpy數組
    print(sess.run(result))
"""
輸出>>>
[2. 4.]
"""

Python中使用常量很簡單，如a=123，b="python"。TensorFlow表示常量稍微麻煩一點，需要使用tf.constant這個類，具體格式如下：

tf.constant(value, dtype=None, shape=None, name="Const", verify_shape=False)

其中各參數說明如下：

value : 一個dtype類型(如果指定了)的常量值(列表)。要注意的是，若value是一個列表，那么列表的長度不能夠超過形狀參數指定的大小(如果指定了)。如果列表長度小于指定的大小，那么多余的空間由列表的最后一個元素來填充。

dtype : 返回的tensor的類型

shape : 返回的tensorflow的形狀

name : tensor的名字

verify_shape : 布爾值，用于驗證值的形狀。

示例如下：

import tensorflow as tf

# 構建計算圖
a = tf.constant("something", name="a")

print(a)

with tf.Session() as sess:  # 創造會話
    result = sess.run(a)  # 在會話中執行張量a
    print(result)

"""
輸出>>>
Tensor("a:0", shape=(2,), dtype=float32)
b"something"
"""

變量是TensorFlow中的核心概念，創建一個類使用tf.Variable,具體格式如下：

tf.Variable(initial_value=None,trainable=None,collections=None,validate_shape=True,caching_device=None,name=None,variable_def=None,dtype=None,expected_shape=None,import_scope=None,constraint=None,use_resource=None,synchronization=VariableSynchronization.AUTO, aggregation=VariableAggregation.NONE,shape=None)

主要參數說明：

initial_value ：一個 Tensor類型或者是能夠轉化為Tensor的python對象類型。它是這個變量的初始值。這個初始值必須指定形狀信息，不然后面的參數validate_shape需要設置為False。當然，也能夠傳入一個無參數可調用并且返回指定初始值的對象，在這種情況下，dtype必須指定。

trainable ：如果設置為True (默認也為True),這個變量可以被優化器類(optimizer)自動修改Variable的值;如果設置為False,則說明Variable 只能手工修改，不允許使用優化器類自動修改。

collections ：圖的collection鍵列表，新的變量被添加到這些collection 中。默認是

validate_shape ：如果是False的話，就允許變量能夠被一個形狀未知的值初始化，默認是True,表示必須知道形狀。

caching_device ：可選，描述設備的字符串，表示哪個設備用來為讀取緩存。默認是變量的device。

name ：可選，變量的名稱。

dtype ：如果被設置，初始化的值就會按照這里的類型來定。

1.現在讓我們使用tf.Variable()創建變量，這是最簡單的、最常用的變量創建方法。用的最多的兩個參數initial_value和name

import tensorflow as tf

girl = tf.Variable("安靜宇", name="big")  # 這個name大有作用，后面會講到，需要注意的是，name的值不可以是中文，中文會報錯

god = tf.Variable("安靜宇", name="big")  # 使用tf.Variable()創建的實例，實例名是唯一標識符( Variable()內的參數都可以重復 )
# 寫作girl = tf.Variable("安靜宇", name="big")，就會覆蓋第一個girl

print("initializer", girl.initializer)
print("initial_value", girl.initial_value)
print("graph", girl.graph)
print("shape", girl.shape)
print("name", girl.name)
print("dtype", girl.dtype)
print("value", girl.value())

"""
輸出>>>
initializer name: "big/Assign"
op: "Assign"
input: "big"
input: "big/initial_value"
attr {
  key: "T"
  value {
    type: DT_STRING
  }
}
attr {
  key: "_class"
  value {
    list {
      s: "loc:@big"
    }
  }
}
attr {
  key: "use_locking"
  value {
    b: true
  }
}
attr {
  key: "validate_shape"
  value {
    b: true
  }
}

initial_value Tensor("big/initial_value:0", shape=(), dtype=string)
graph 
shape ()
name big:0
dtype 
value Tensor("big/read:0", shape=(), dtype=string)
"""

2.除了使用tf.Variable()創建變量，還有一個孿生兄弟，tf.get_variable()，他兩的業務邏輯還是很不一樣的，使用的唯一標識符不一樣，前者使用實例名作為唯一標志，后者使用name參數作為唯一標志。

具體用法可以參考這篇博客Variable和get_variable的用法以及區別

按照習慣，get開頭的函數都是“查詢”、“獲取”的意思，但是tf.get_variable()是創建變量，get取的是“創建”的意思

tensorflow中，程序存在變量，在使用前必須初始化

初始化變量有兩個方法

一個一個手動初始化

一次性全局初始化

手動初始化就是

ses.run(var1.initializer)
ses.run(var2.initializer)
ses.run(var3.initializer)

一次性全局初始化只要使用一個函數 tf.global_variables_initializer()

init_op = tf.global_variables_initializer()
sess.run(init_op)

貼一個完整代碼

import tensorflow as tf

girl = tf.Variable("安靜宇", name="cute")

god = tf.Variable("安靜宇", name="pretty")

with tf.Session() as sess:
    # 必須先初始化變量才能使用，tf.global_variables_initializer()可以初始化所有的變量
    sess.run(girl.initializer)
    sess.run(god.initializer)
    # 等價于 sess.run(tf.global_variables_initializer())
    print(sess.run(girl).decode())
    print(sess.run(god).decode())

"""
輸出>>>
安靜宇
安靜宇
"""

最后給你們看看安靜宇