【拔刀吧 TensorFlow】TensorFlow学习笔记六

前面5篇，上来就以实践的方式学了MNIST手写数字识别的代码，发现在深入MNIST之前，还需要强化一下基本功，就是补一下之前官方说的，TensorFlow计算的优点在哪里这个坑。也是从最基本了解TensorFlow的运作方式。

TensorFlow，TensorFlow。既然Google起了这么一个名字，总是有原因的。 先从Tensor说起。

引用官方一句话：TensorFlow 程序使用 tensor 数据结构来代表所有的数据, 计算图中, 操作间传递的数据都是 tensor。

一目了然，豁然开朗。那么什么是tensor呢？翻译来说就是张量，百度一波张量看完内心是崩溃的。于是我按照矩阵来理解，就是TensorFlow中一个简单的常数都是一个1×1的矩阵。（有说张量是几何定义，矩阵是数学定义====>才疏学浅，在当前不影响学习进度情况下我选择死亡忽视，也看到说0维的叫做常量；一维的叫做向量；二维的叫做矩阵；≥3维的叫做张量。 嗯，我想吃张亮麻辣烫了，(¯﹃¯)）

官方文档介绍了一波TensorFlow的运作方式，看完怎么说呢……云里雾里。。。还是老办法，结合代码来说：

首先，TensorFlow在编程时分为两个阶段，构建阶段和执行阶段。

Section one：构建阶段

在构建阶段，我们把需要用到的数据（矩阵）都一个个摆好，代码如下：

import tensorflow as tf  # 这一步没的说，要编写TensorFlow的程序，就要先调动相关的包

matrix1 = tf.constant([[3., 3.]]) # 这里，就是构建我们需要的数据了（以下三句都是）
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)

需要说明的是，在TensorFlow中，我们构建的数据叫做一个节点（op），节点包括输入、输出和计算方式。emmm。。。我是按照机电传动的理论来理解这个节点的概念，想象成一个神经元也是可以的（(*￣︶￣)）。

因此，上述matrix1、2与product分别是三个节点。

你可能会问，不是说需要输入吗？为什么matrix1、2没有？（produc中matrix1、2为输入内容）因为matrix为一个源节点，它们定义了两个常数的矩阵。那么tf.constant构造两个数组究竟长什么样呢？

我们在上述语句后面加入

sess = tf.Session()

print(sess.run(matrix1))
print(sess.run(matrix2))

【先忽视掉sess这句】编译执行，就发现输出结果为：

一个一行两列元素都为3的矩阵和一个两行一列元素都为2的矩阵。

【当然，如果用

，这里的shape类型我猜就是一行二列、二行一列，我的猜功是不是很强 (✺ω✺)】

而tf.matmul就比较简单了，是将输入的两个矩阵相乘的一个节点。

完成了构建阶段，我们进入执行阶段。

Section two： 执行阶段

TensorFlow的执行需在会话（Session）中进行（我也不知道为啥，还是从简，我将会话理解为一个块（block），一段代码在这块中运行，这个块中产生的结果对另一个块无效）。

于是我们先启动对话：

sess = tf.Session()

随后，引用官方文档，说的比较明白

# 调用 sess 的 'run()' 方法来执行矩阵乘法 op, 传入 'product' 作为该方法的参数. 
# 上面提到, 'product' 代表了矩阵乘法 op 的输出, 传入它是向方法表明, 我们希望取回
# 矩阵乘法 op 的输出.
#
# 整个执行过程是自动化的, 会话负责传递 op 所需的全部输入. op 通常是并发执行的.
# 
# 函数调用 'run(product)' 触发了图中三个 op (两个常量 op 和一个矩阵乘法 op) 的执行.
#
# 返回值 'result' 是一个 numpy `ndarray` 对象.
result = sess.run(product)
print result
# ==> [[ 12.]]

# 任务完成, 关闭会话.
sess.close()

至此，程序结束，算出来是[12.]这个结果，这里也是TensorFlow与众不同白里透红的地方，它的结果也还是个矩阵。

末尾，再次附上复制就可以运行的程序：

import tensorflow as tf

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

sess = tf.Session()

print(sess.run(matrix1))
print(sess.run(matrix2))
print(sess.run([product]))

result = sess.run(product)
print(result)