什么是TensorFlow？

1.1Tensor的基础

从上面我们已经得知，Tensor(张量)实际上就是一个n维的数组。这就延伸了几个的术语：

• 阶(秩)
• 形状

1.1.1阶(秩)

其实上，阶就是平时我们所说的维数。

• 比如我们有一个二维的数组，那么这个阶就是2
• 比如我们有一个三维的数组，那么这个阶就是3

以前在写Java的时候，可能一般接触到的都是二维的，但在机器学习上就很可能有很高的维度，那维数我们怎么数？很简单，我们数括号就行了。举个例子，我们可能会看到有下面的一个数组输出形式：

[[[9 6]
 [6 9]
 [8 8]
 [7 9]]
 [[6 1]
 [3 5]
 [1 7]
 [9 4]]]

我们直接看第一个括号到第一个数字，有多少个括号就知道了。[[[9可以发现有3个括号，那这个就是一个三维的数组，它的阶(秩)就是3

1.1.2形状

张量的形状可以让我们看到每个维度中元素的数量。

比如我们在Java中创建出一个二维的数组：int [][] array = new int[3][4]，我们就可以知道这个数组有三行有四列。但如果我们创建出一个多维的数组，单单只用行和列就描述不清了。所以，在TensorFlow一般我们会这样描述：

• 在维度一上元素的个数有3个，在维度二上元素的个数有4个。
• 其实说到底还是一个意思，但只是说法变了而已。

如果我们要打印上面数组的形状时，我们可以得到这样的结果：shape = (3,4)。我们再看看第一篇写”机器学习HelloWorld“的时候，再来看看当时打印的结果：shape = (60000, 28, 28)。通过shape我们就可以得到一些信息：

• 当前数组是三维的
• 在第一维中有60000个元素
• 在第二维中有28个元素
• 在第三维中有28个元素

那我们如果拿到一个数组，怎么通过肉眼看他的shape呢？

比如说：m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]，这个很简单，一眼就可以看出这个是一个二维数组(矩阵)，有三行三列。所以shape的结果应该是(3,3)

再来看一个：t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]，从多个括号上我们可以看出，这是三维的。我们先把最外层括号去掉得到的结果是[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]

Ok,到这一步，我们可以理解成有三个子数组，于是我们的shape可以先写成shape(3,?,?)

• 我们从括号上判断一定是三维的，所以肯定是(?,?,?)的。从“子数组”的个数我们将第一个“?”号填充为3

随后，我们继续把外层的括号去除，得到这样的结果：[2], [4], [6]，也是有三个元素，于是我们的shape就可以填成shape(3,3,?)

最后，再把括号去掉，我们可以发现只有一个元素，于是最后的结果就是shape(3,3,1)

我们可以看下图来巩固一下上面所说的概念：

1.1.3 Tensor数据类型

TensorFlow 在内部将张量表示为基本数据类型的 n维数组，没错的。在一个数组里边，我们总得知道我们的存进去的数据究竟是什么类型。

• 我们可以将任意数据结构序列化为 string 并将其存储在 tf.Tensor 中。通过 tf.cast可以将 tf.Tensor 从一种数据类型转型为另一种。

Tensor的数据类型如下所示：

二、特殊的张量

特殊的张量由一下几种：

• tf.Variable— 变量
• tf.constant— 常量
• tf.placeholder—占位符
• tf.SparseTensor—稀疏张量

这次，我们先来讲讲前三种(比较好理解)，分别是变量、常量和占位符。

2.1 常量

常量就是常量的意思，一经创建就不会被改变。(相信大家还是能够理解的)

在TensorFlow中，创建常量的方式十分简单：

a = tf.constant(2)
b = tf.constant(3)

2.2变量

变量也挺好理解的(就将编程语言的概念跟这里类比就好了)。一般来说，我们在训练过程中的参数一般用变量进行存储起来，因为我们的参数会不停的变化。

在TensorFlow创建变量有两种方式：

# 1.使用Variable类来创建

# tf.random_normal 方法返回形状为(1，4)的张量。它的4个元素符合均值为100、标准差为0.35的正态分布。

W = tf.Variable(initial_value=tf.random_normal(shape=(1, 4), mean=100, stddev=0.35), name="W")

b = tf.Variable(tf.zeros([4]), name="b")

# 2.使用get_variable的方式来创建

my_int_variable = tf.get_variable("my_int_variable", [1, 2, 3], dtype=tf.int32,

initializer=tf.zeros_initializer)

值得注意的是：当我们创建完变量以后，我们每次使用之前，都需要为其进行初始化！

tf.global_variables_initializer()

2.3占位符

我最早接触占位符这个概念的时候是在JDBC的时候。因为SQL需要传入的参数才能确定下来，所以我们可能会写出这样的SQL语句：select * from user where id =?

同样地，在TensorFlow占位符也是这么一个概念，可能需要等到运行的时候才把某些变量确定下来，于是我们就有了占位符。

在TensorFlow使用占位符也很简单：

# 文件名需要等到运行的时候才确定下来
train_filenames = tf.placeholder(tf.string, shape=[None])
# ..省略一堆细节
# 运行的时候，通过feed_dict将占位符具体的值给确定下来
feed_dict={train_filenames: training_filenames}

上面的东西说白了在编程语言中都是有的，只是语法变了而已。

三、Flow？介绍图和节点

我们将Flow翻译成中文：流，所以现在是Tensor流？

其实，在TensorFlow中，使用图 (graph) 来表示计算任务。其实TensorFlow默认会给我们一张空白的图，一般我们会叫这个为”数据流图“。数据流图由有向边和节点组成，在使用TensorFlow的时候我们会在图中创建各种的节点，而Tensor会在这些节点中流通。所以，就叫做TensorFlow

那有人就会好奇，我们执行什么操作会创建节点呢？在TensorFlow中，节点的类型可以分为三种：

• 存储节点：有状态的变量操作，通常用于存储模型参数
• 计算节点：无状态的计算和控制操作，主要负责算法的逻辑或流程的控制
• 数据节点：数据的占位符操作，用于描述图外输入的数据

看到这里的同学，可能就反应过来了：原来在上面创建的变量、常量和占位符在TensorFlow中都会生成一个节点！对于这类的操作Operation(行为)一般大家会简说成op

所以，op就是在TensorFlow中所执行的一个操作统称而已(有可能是创建变量的操作、也有可能是计算的操作)。在TensorFlow的常见的op有以下：

其实说白了就是TensorFlow会给我们一张空白的数据流图，我们往这张数据流图填充(创建节点)，从而实现想要效果。

• 开局一张图，内容全靠编！

我们来看看官方的给出数据流图的gif，加深下印象。

• TensorFlow使用数据流图来表示计算任务
• TensorFlow使用Tensor来表示数据，Tensor在数据流图中流动。
• 在TensorFlow中”创建节点、运算“等行为统称为op

四、啥是session？

TensorFlow程序通常被组织成一个构建阶段和执行阶段. 在构建阶段, op的执行步骤被描述成一个图. 在执行阶段, 使用会话执行执行图中的op。

• 注意：因为是有向边，所以只有等到之前的入度节点们的计算状态完成后，当前节点才能执行操作。

说白了，就是当我们在编写代码的时候，实际上就是在将TensorFlow给我们的空白图描述成一张我们想要的图。但我们想要运行出图的结果，那就必须通过session来执行。

举个小例子：

import tensorflow as tf
# 创建数据流图：y = W * x + b，其中W和b为存储节点，x为数据节点。
x = tf.placeholder(tf.float32)
W = tf.Variable(1.0)
b = tf.Variable(1.0)
y = W * x + b
# =========如果不使用session来运行，那上面的代码只是一张图。我们通过session运行这张图，得到想要的结果
with tf.Session() as sess:
 tf.global_variables_initializer().run() # Operation.run
 fetch = y.eval(feed_dict={x: 3.0}) # Tensor.eval
 print(fetch) # fetch = 1.0 * 3.0 + 1.0

4.1 Fetch是啥？

Fetch就时候可以在session.run的时候传入多个op(tensor)，然后返回多个tensor(如果只传入一个tensor的话，那就是返回一个tensor)

4.2tensor.eval()和Operation.run()

有的同学在查阅资料的时候，发现可能调用的不是session.run，而是tensor.eval()和Operation.run()。其实，他们最后的调用的还是session.run。不同的是session.run可以一次返回多个tensor(通过Fetch)。

最后

曾经看到一段话总结得不错：

• 使用 tensor 表示数据.
• 使用图 (graph) 来表示计算任务.
• 在会话（session)中运行图
• 通过 变量 (Variable) 维护状态.

TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.

这篇文章简单讲了TensorFlow是啥意思以及一些基础的概念。但我也只是简单以我的理解方式来说了一些常见概念。里头的知识点还是比较多的(比如创建变量的时候一般我们会指定哪些参数….)，这些就交由大家去官网、博客、书籍去学习了。

我相信，只要了解了这些概念，那学习一定可以事半功倍！

欢迎工作一到五年的Java工程师朋友们加入Java程序员开发： 721575865

群内提供免费的Java架构学习资料（里面有高可用、高并发、高性能及分布式、Jvm性能调优、Spring源码，MyBatis，Netty,Redis,Kafka,Mysql,Zookeeper,Tomcat,Docker,Dubbo,Nginx等多个知识点的架构资料）合理利用自己每一分每一秒的时间来学习提升自己，不要再用"没有时间“来掩饰自己思想上的懒惰！趁年轻，使劲拼，给未来的自己一个交代！