TensorFlow使用数据流图（计算图）来规划计算流程，可以将计算映射到不同的硬件和操作平台。凭借着统一的架构，TensorFlow可以方便的部署到各种平台，大大简化了真实场景中应用机器学习算法的难度。

使用TensorFlow,我们不需要大规模的模型训练和小规模的应用部署开发两套系统，节约时间，TensorFlow给巡逻和预测的共同部分提供一个恰当的抽象。

对于大规模的神经网络训练，TensorFlow可以让用户轻松实现并行计算，同时使用不同的硬件资源进行训练，同步或异步的更新全局共享的模型参数和状态。把一个串行的TensorFlow算法改造成并行的成本也很低。

虽然绝大多数的TensorFlow应用都是机器学习以及深度学校领域，但是TensorFlow抽象出的计算图模型也可以应用在通用数值计算和符号计算上。

tnsorflow分为构建模型和训练两部分，构建模型通常会用到Tensor，variable,placeholder，而训练阶段会用到Session！

Session是一个类，作用是把graph ops部署到Devices（CPUs/GPUs），并提供具体执行这些op的方法。

为什么要这么设计呢？考虑到Python运行性能较低，我们在执行numerical computing的时候，都会尽量使用非python语言编写的代码，比如使用NumPy这种预编译好的C代码来做矩阵运算。在Python内部计算环境和外部计算环境（如NumPy）切换需要花费的时间称为overhead cost。对于一个简单运算，比如矩阵运算，从Python环境切换到Numpy，Numpy运算得到结果，再从Numpy切回Python，这个成本，比纯粹在Python内部做同类运算的成本要低很多。但是，一个复杂数值运算由多个基本运算组合而成，如果每个基本运算来一次这种环境切换，overhead cost就不可忽视了。为了减少来回的环境切换，TensorFlow的做法是，先在Python内定义好整个Graph，然后在Python外运行整个完整的Graph。因此TensorFlow的代码结构也就对应为两个阶段了。

构建模型阶段，构建一个图（graph）来描述我们的模型（数据输入->中间处理->输出），此时不会发生实际运算，而在模型构建完毕之后，会进入训练步骤，此时才会有实际的数据输入以及梯度计算等操作。


下面先一个实例来说明一下


import tesorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32) # 随机生成100个数据
y_data = x_data*0.1 + 0.3

# create tensorflow struct start
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))  #生成一维向量
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

#计算损失函数
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

init = tf.global_variables_initializer() 
# create tensorflow struct end

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step % 20 == 0:
            print(step, sess.run(Weights), sess.run(biases))


Build Graph


tf.Variable是TensorFlow的一个类，是取值可变的Tensor，构造函数的第一个参数是初始值initial_value。

tf.zeros(shape, dtype=tf.float32, name=None)是一个op，用于生成取值全是0的Constant Value Tensor。

tf.random_uniform(shape, minval=0, maxval=None, dtype=tf.float32, seed=None, name=None)是一个op，用于生成服从uniform distribution的Random Tensor。

更多文章请关注《万象专栏》