Tensorflow一直是最受欢迎的高性能数值计算开源软件库，自从谷歌开源以来，它在机器学习从业者中非常受欢迎。它已经成为深度学习项目框架之一，因为它具有丰富的功能和抽象大量样板代码和配置的能力，而不会降低灵活性和可扩展性。但是，本文将尝试讨论使用Keras或Tensorflow估计器等高级API时不需要的一些基本要点。

什么是graph？

Tensorflow有一个延迟计算，换句话说，Tensorflow会首先创建一个计算图，将操作作为图的节点和它边缘的张量，并当图在会话中执行时执行。这通常称为 dataflow编程模型，专门用于并行计算。

例如在普通python中

a = 'Hello World'

print(a)

会把Hello World打印到输出中，但是在Tensorflow，

a = tf.constant("Hello World")

print(a)

将输出Tensor（“Const：0”，shape =（），dtype = string）。是因为我们还没有在会话中运行计算图，所以Tensorflow仍然只创建了图。

使用graphs有什么好处？

• 并行。通过使用显式边来表示操作之间的依赖关系，系统很容易识别可以并行执行的操作。
• 分布式执行。通过使用显式边来表示操作之间流动的值，TensorFlow可以将程序划分到连接到不同计算机的多个设备（CPU，GPU和TPU）上。TensorFlow在设备之间插入必要的通信和协调。
• 汇编。TensorFlow的XLA编译器可以使用数据流图中的信息生成更快的代码，例如，通过将相邻操作融合在一起。
• 可移植性。数据流图是模型中代码的独立于语言的表示形式。您可以在Python中构建数据流图，将其存储在SavedModel中，并在C ++程序中将其还原以进行低延迟推理。

让我们构建一个简单的图并执行它

让我们创建一个计算图来计算圆的面积。计算圆的面积的数学函数是：a =πr^ 2

首先让我们定义我们的图：

pi = tf.constant(3.14, name="pi")

r = tf.placeholder(tf.float32, name="r")

a = pi * r * r

我们有一个常量“pi”和一个“r”的占位符，它将作为输入被输入到这个图形中。

让我们检查节点的图和值。默认情况下，Tensorflow会为您创建一个graph ，但您也可以创建自己的graph 。

graph = tf.get_default_graph()

print(graph.get_operations())

输出看起来像这样： [<tf.Operation ‘pi’ type=Const>, <tf.Operation ‘r’ type=Placeholder>, <tf.Operation ‘mul’ type=Mul>, <tf.Operation ‘mul_1’ type=Mul>]

由Tensorboard生成的Graph

要运行此图，让我们创建一个Tensorflow会话，并以r = 5作为输入运行该会话

with tf.Session() as sess:

print(a.eval(feed_dict={r: [5]}))

您可以为会话之前定义的占位符值提供python词典，其中键是占位符名称，值可以是列表。

对于像Keras和Tensorflow Estimators这样的新的高级API，开发人员不再需要担心这些基本概念，但是从长远来看，仍然具备内部工作知识可能是非常有益的。