Tensorflow的工作原理

TensorFlow计算模型——计算图

TensorFlow中的计算可以表示为一个有向图(directed graph),或称为计算图(computation graph)，其中每一个运算操作(operation)将作为一个节点(Node)，节点与节点之间的连接称为边(edge)。这个计算图描述了数据的计算流程，在计算图的边中流动(flow)的数据被称为张量(tensor),故得名Tensorflow。

TensorFlow数据模型——张量

张量是TensorFlow管理数据的形式，从功能的角度看，张量就是一个多维数组。一个张量中主要保存了三个属性：名字（name）、维度（shape）和类型（type）。

TensorFlow计算模型——会话

Session是用户使用TensorFlow时的交互式接口。用户可以通过Session的Extend方法添加新的节点和边，用以创建计算图，然后就可以通过Session的Run方法执行计算图：用户给出需要计算的节点，同时提供数据，TensorFlow就会自动寻找所有需要计算的节点并按依赖顺序执行它们。对于绝大部分的用户来说，他们只会创建一次计算图，然后反复地执行整个计算图或是其中的一部分子图(sub-graph)。会话拥有并管理TensorFlow程序运行时的所有的资源。