TensorFlow2.0专栏之基本概念

本专栏内容源于《TensorFlow2.0从零开始学》。我在阅读后收获挺多，最近抽空整理出学习笔记和大家分享，截取了书中内容和大家分享，加入一些自己的理解。后续有时间也会有代码讲解，初学者不要错过！我会把重点划出来~

TensorFlow2.0的历史介绍我们就不提了，感兴趣的小伙伴自己百度，本专栏主要是带领大家使用TensorFlow2.0这个深度学习框架。

1.计算图

计算图是一个有向图，是对TensorFlow中计算任务的抽象描述，也称为数据流图。TensorFlow使用计算图将计算表示成独立指令之间的依赖关系。

在计算图中，节点表示计算单元（即一个独立的运算操作），图中的边表示计算使用或产生的数据。

TensorFlow2.0则采用了动态计算图机制，无需要自己预先定义好计算图。

2.会话

TensorFlow2.0采用了动态计算图机制，无需在会话中执行计算图，该内容了解即可。

在TensorFlow1.x版本中，会话（Session）是客户端程序与TensorFlow系统进行交互的接口，定义好的计算图必须在会话中执行。

当会话被创建时会初始化一个空的图，客户端程序可以通过会话提供的“Extend”方法向这个图中添加新的节点来创建计算图，并通过“tf.Session”类提供的“run”方法来执行计算图。在大多数情况下只需要创建一次会话和计算图，之后可以在会话中反复执行整个计算图或者其中的某些子图。

TensorFlow2.0采用了动态计算图机制，就不需要在会话中执行计算图了。

“tf.Session”类被放到了兼容模块“TensorFlow.compat.v1”中，这个模块里有完整的TensorFlow1.x的API。为了保留静态计算图的优势（例如性能优化和可移植性等），TensorFlow2.0提供了“tf.function”方法，对于使用“tf.function”方法修饰的Python函数，TensorFlow可以将其作为单个图来运行。

3.运算操作和运算核

计算图中的每一个节点就是一个运算操作（Operation，通常简称Op）。每一个运算操作都有名称，并且代表了一种类型的抽象运算，例如“MatMul”代表矩阵的乘法。每个运算操作都可以有自己的属性，但是所有的属性都必须被预先设置，或者能够在创建计算图时根据上下文推断出来。通过设置运算操作的属性可以让运算操作支持不同的张量（Tensor）元素类型，例如让向量加法操作运算只接收浮点类型的张量。

运算核（Kernel）是一个运算操作在某个具体的硬件（比如CPU或GPU）上的实现。

4.张量

张量由“tf.Tensor”类定义。

张量（Tensor）可以看作一个多维的数组或列表，张量由“tf.Tensor”类定义。计算图中的一个运算操作可以获得0个或多个张量作为输入，运算后会产生0个或多个张量输出。这些张量在计算图的边中流动（Flow），从一个节点（运算操作）到另一个节点，TensorFlow也因此而得名。

张量具有以下两个属性：

●数据类型（同一个张量中的每个元素都具有相同的数据类型，例如float32、int32及string）。

●形状（即张量的维数及每个维度的大小）。

TensorFlow有一些特殊的张量，如下所示。

●tf.Variable：变量。

对于那些需要被持久化保存的张量，可以用变量来代替。

TensorFlow中的张量一般都不会被持久化保存，参与一次运算操作后就会被丢弃了。而变量是一种特殊的张量。对于那些需要被持久化保存的张量，可以用变量来代替。使用“tf.Variable”类来定义和操作变量，模型的参数一般都是使用变量来存储的，在模型训练的过程中，参数会不断地更新。变量的值可以修改，但是其维度不可以改变。

●tf.constant：常量。常量定义时必须初始化值，且定义后其值和维度不可再改变。

●tf.placeholder：占位符。在执行“session.run（）”方法时传入具体的值，TensorFlow2.0中不再使用，但依然可以在“TensorFlow.compat.v1”模块中找到。

●tf.SparseTensor：稀疏张量。

到此，基本概念篇结束，感谢阅读，下一篇再见！