TensorFlow Fundation

依赖关系： 对于任意节点A，如果其输出对于某个后继节点B的计算是必需的，则称节点A为节点B的依赖节点。分为直接依赖和间接依赖，这可以直接字面理解。

如果某个节点A和节点B彼此不需要来自对方的任何信息，则称两者是独立的。

若A是B的依赖节点，那么B需要来自A的输入，若A无法进行计算，B也无法执行计算，只能一直等待A的数据的到来。

因此，若产生了循环依赖，两个节点都会无法执行，因为他们都在等待对方计算的完成。

设置初始值：

（1）由于数据流图中存在无限循环，因此程序无法以优雅的方式终止。

（2）依赖节点的数量变为无穷大，在统计依赖节点数量时，每个节点都不会只被统计一次，每当其输出发生变化时，它就会被再次标记为依赖节点。这使得追踪依赖信息变得不可能。

（3）被传递的值趋向于正无穷或负无穷或0。

数据流图的展开

TensorFlow工作模式

1)定义数据流图

2)运行数据流图（在数据上）

在TensorFlow中，数据流图中的每个节点都被称为一个Operation（简称为Op）。各Op可接收0个或多个Tensor对象作为输入，并输出0个或多个Tensor对象。tf.constant()创建了一个“常量”Op，它接收单个常量值，然后把同样的值输出给与其直接连接的节点。另有一个字符串参数name，用于对节点标识：

a= tf.constant(5, name=”input_a”)

tf.multiplyOp接收两个输入，然后把他们的乘积输出。tf.addOp接收两个输入，然后把他们的和输出。对于这些Op，我们均传入了name参数。无需专门对数据流图的边进行定义。

tf.mul,tf.sub and tf.neg are deprecated in favor of tf.multiply, tf.subtractand tf.negative

为运行数据流图，需要创建一个TensorFlowSession对象：

sess= tf.Session()

Session对象在运行时负责对数据流图进行监督，并且是运行数据流图的主要接口。

sess.run(e)

这让我们可以看到节点e的运行结果。

TensorBoard 对数据流图可视化

writer=tf.summary.FileWriter(‘./my_graph’,sess.graph)

创建了一个TensorFlow的FileWiter对象，第一个参数是一个字符串输出目录，即数据流图的描述在磁盘中的存放路径，运行Python代码的my——graph路径下。第二个输入是Session对象的graph属性，该属性引用了所要追踪的数据流图。FileWiter对象会将对该数据流图的描述输出到“my_graph”路径下。

启动一个使用来自“my_graph”目录下的数据的TensorBoard服务器：

$tensorboard –logdir="my_graph"

完成数据流图的构造，需要将Session对象和FileWriter对象关闭，释放资源：

writer.close()

sess.close()

张量：即n维矩阵的抽象。1D张量相当于向量，2D张量相当于矩阵，更高维数的张量，称“N维张量”。

a= tf.constant([5, 3], name="input_a")

b= tf.reduce_prod(a, name="prob_b")

c= tf.reduce_sum(a, name="sum_c")

d= tf.add(b, c, name="add_d")

给定某个张量作为输入，Op接收其所有分量，分别将它们相乘或相加。

TensorFlow有数量及其庞大的数据类型可供使用，但基本的Python类型缺乏对你希望使用的数据类型的种类进行明确声明的能力，因此借助NumPy数组手工定义Tensor对象。

在NumPy中没有与tf.string精确对应的类型，因此在NumPy中使用字符串不要显式指定dtype属性。

不要用tf.int32去初始化一个NumPy数组。

希望检查张量值是否相同：

tf.equal()和tf.not_equal()

TensorFlowSession

sess.run(fetches,feed_dict)

fetches参数要么是Tensor对象要么是一个Op，Tensor对象输出为一个NumPy数组，Op输出为None。

feed_dict参数

a= tf.add(2, 5)

b= tf.mul(a, 3)

sess= tf.Session()

replace_dict= {a: 15}

sees.run(b, feed_dict=replace_dict)

意味着如果有大规模的数据流图，我们希望用一些虚构的值对某些部分进行测试，TensorFlow不会在不必要的地方浪费时间。

占位节点：为运行时即将到来的某个Tensor对象预留位置

a= tf.placeholder(tf.int32, shape=[2], name="my_input")

dtype参数必须指定，shape参数可选，为None时表示可接收任意形状的Tensor对象。

通过sess.run()中的feed_dict参数传入值：

input_dict= {a: np.array([5, 3], dtype=np.int32)}

a= tf.placeholder(tf.int32, shape=[2], name="my_input")

b= tf.reduce_prod(a, name="prod_b")

c= tf.reduce_sum(a, name="sum_c")

d= tf.add(b, c, name="add_d")

sess= tf.Session()

input_dict= {a: np.array([5, 3], dtype=np.int32)}

sess.run(d,feed_dict=input_dict)

placeholder的值无法计算——传入sess.run()会引发异常。

Variable对象

Variable对象的初值通常是全0或者全1或用随机数填充的张量。

#2*2的零矩阵

zeros= tf.zeros([2, 2])

#长度为6的全1矩阵

ones= tf.ones([6])

#3*3*3的张量,服从0~10的均匀分布

uniform= tf.random_uniform([3, 3, 3], minval=0, maxval=10)

#服从0均值,标准差为2的正态分布

normal= tf.random_normal([3, 3, 3], mean=0.0, stddev=2.0)

#不会返回任何均值超过2倍标准差的值

trunc= tf.truncated_normal([2, 2], mean=5.0, stddev=1.0)

#默认均值为0,标准差为1.0

random_var= tf.Variable(tf.truncated_normal([2, 2]))

Variable是由Session对象管理的，需要对Variable对象初始化，Session对象才会跟踪这个Variable对象的值的变化。

init= tf.global_variables_initializer()

#跟踪一个Variable对象子集

init= tf.variables_initializer([var1], name="init_var1")

Variable.assign()是一个Op，要使其生效必须在一个Session对象中运行

my_var= tf.Variable(1)

my_var_times_two= my_var.assign(my_var * 2)

init= tf.global_variables_initializer()

sess=tf.Session()

sess.run(init)

sess.run(my_var_times_two)