TensorFlow最重要的两个概念-Tensor和Flow；
Tensor就是张量，可简单理解为多维数组；
Flow直观表达Tensor之间通过计算相互转换的过程；
TensorFlow是一个通过计算图的形式来表述计算的编程系统。TensorFlow中的每个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

TensorFlow的计算模型-计算图

常用函数

tf.get_default_grapph()：获取当前默认计算图；
tf.Graph()：生成新的计算图；
tf.Graph.device(‘device’)：指定运行计算的设备；

TensorFlow的数据模型-张量

TensorFlow中所有运算的输入、输出都是张量（Tensor）。张量本身并不存储任何数据，它是对运算结果的引用。Tensor可简单理解为多维数组；

零阶张量-标量（scalar）
第一阶张量-向量（vector）
第n阶张量（n维数组）

TensorFlow中的每一个计算是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系；
不同计算图中的张量和运算都不会共享；

张量的数据结构

示例：Tensor( “add:0” , shape=(2,) , dtype=float32 )

名字（name）

node:src_output

维度（shape）

类型（type）

实数（tf.float32、tf.float64）
整数（tf.int8、tf.int16、tf.int32、tf.int64、tf.uint8）
布尔型（tf.bool）
复数（tf.complex64、tf.complex128）

张量的使用

通过Tensor可更好的组织TensorFlow程序

对中间结果的引用，提供代码可读性
当计算图构造完成后，通过张量获取计算结果

TensorFlow的运算模型-会话（session）

session的使用模式

明确调用会话生成函数和关闭会话函数

1
2
3

session=tf.Session()
sess.run(...)
sess.close()

Python上下文管理器管理会话

将所有计算放在with内部

1 2	with tf.Session() as sess sess.run(...)

优点：

解决异常退出时资源释放问题，
解决忘记调用Session.close函数而产生的资源泄露问题；

默认会话

手动指定session为默认会话
交互式环境以tf.InteractiveSession配置会话

ConfigProto配置会话

常用参数

allow_soft_placement（bool）：当运算无法被当前GPU支持时，可以自动切换到CPU上；
log_device_placemnet（bool）：日志中将会记录每个节点被安排在那个设备上以方便调试。

ConfigProto可配参数

并行线程数
GPU分配策略
运算超时时间