白話TensorFlow +實戰系列（一）詳解Tensor與Flow

TensorFlow作為目前最歡迎的深度學習框架（是的，你沒看錯，是最受歡迎，GitHub上已超越Caffe），是由Google開源的一個計算框架，該框架已經很好的集成了深度學習的各種演算法，所以說是非常方便，並且與Keras也兼容，再加上Google強大的資源，可以說選TensorFlow進行深度學習是非常明智的。TensorFlow這個名字是由Tensor（張量）與Flow（流）兩部分組成，一看就知道這兩部分格外重要，不然Google也不會隨便拿來命名，是吧。所以接下來就挨個詳細解剖這倆部分。

Tensor，翻譯成張量，是TensorFlow中管理數據的形式，其中Tensor並不保存真正的數據，他保存的是得到這些數字的計算過程。剛開始接觸TensorFlow的話，很不容易明白這是什麼吧，你可以換個方式理解，從tensor的功能上可以把他看作成多維數組（只是用於理解，並不等同於數組！後面會解釋道），比如，一個shape=[2,3]的張量可以理解成一個大LIST中有兩個小list，例如，大LIST=[[1,2,3],[4,5,6]]。而每一個小list由三個數據構成，list1=[1,2,3],list2=[4,5,6]，高維度的Tensor依此類推，大LIST套小list，環環套。再次說明一下，這個只是為了理解，張量並不等同於列表！

張量是TensorFlow中基本的數據結構，我們可以用TensorFlow定義一個W（關於TensorFlow定義變數的方法以後會講，現在直接運用）

我們通過tf.constant把W定義成了一個shape=（2，3）的張量，當我們直接列印W時，會發現並沒有像數組那樣直接列印出來，而是一個關於Tensor的解釋。如圖：

由圖可以看見，關於Tensor的解釋主要由三個屬性組成：名字(name)、維度(shape)、類型(type)。其中第一個屬性名字給出了這個張量是怎麼來的，"Const:0"表示的是這個張量由計算節點Const（關於節點的解釋下面介紹Flow的時候給出）輸出的第一個結果得來；第二個屬性shape給出了這個張量的維度信息，shape=(2,3)說明了張量是個二維數組，也可理解為一個2x 3的矩陣；第三個屬性說明了張量的數據類型，TensorFlow支持14種不同的類型：浮點型float(tf.float32, tf.float64)， 整數型int(tf.int8,tf.int16, tf.int32, tf.int64, tf.int128)， 布爾型(tf.bool)，複數(tf.complex64,tf.complex128)，值得注意的一點時，當兩個張量進行運算時，數據類型要相同，不然TensorFlow會報錯。由此可見我們定義的W並非簡單的數組。

這時候可能就會有個疑問，既然張量保存的計算過程，那如何得到張量里的數據呢？或者如何將張量print出來，而不是僅僅是列印關於Tensor的解釋呢？

這個就涉及到TensorFlow的第二個關鍵點，Flow（流）的解釋了。Flow可以理解成各個張量計算相互轉化的過程，而TensorFlow計算過程是基於一個叫計算圖的的方式進行的。一個簡單的計算圖如下：

圖中的圓圈a與b、以及矩形add是計算圖中的一個節點，節點的含義指的是TensorFlow中的計算過程！這個簡單的計算圖代碼如下：

看到這裡可能會有疑問了，add節點很好理解，代表的是節點a與節點b相加的計算過程。但是a與b明明都是由tf.constant函數定義的張量，怎麼會在計算圖中表示節點呢？怎麼會是計算過程呢？這個恰恰就剛好解釋了TensorFlow中張量與數組之間的區別。還記得之前我說張量保存的計算過程吧，再看上面列印張量W的圖：

當我們列印張量W的時候，得到的結果是一個Tensor的解釋，其中第一個屬性名字（name）表示的是該張量由節點Const的第一個輸出而來。正是這個原因，當我們用tf.Variable或者tf.constant定義變數或者常量的時候，我們其實定義的是一個特殊的計算過程，而這個計算過程我們可以理解為恆定的輸出某個數。所以這就可以很好的理解為什麼a與b在計算圖中是一個節點了，並且張量為什麼是一個計算過程了。

既然張量是一個計算過程，而我們明明想要的是張量里的數據，那我們到底要怎樣才能得到我們想要的結果呢？

這就回到了用TensorFlow進行編程時特有的形式了。編程時，我們首先要做的就是構建計算圖，其目的是定義計算圖中的所有計算，注意此時的計算圖並沒有執行的功能，要想將定義好的計算圖執行運算，要用到TensorFlow中的會話來進行，創建會話用tf.Sess()，具體代碼如圖：

上面有幾點需要注意下：1）tf.global_variables_initializer()這個函數的作用是初始化所有變數，TensorFlow中要求將定義好的變數進行初始化，可以當成是固定模式，沒什麼好過多說的。2）withtf.Session() as sess: 這個是創建會話用到的，也可以理解為固定模式，3）經過a+b後形成的y也是一個張量，而通過會話中sees.run(y)執行後，此時列印的張量為為：

也就是說，張量經過會話執行運算後，這時候就是計算結果了，而非一個Tensor。

經過上面的解釋，相信已經可以很好的理解Tensor以及TensorFlow進行編程的形式了。

首發博客地址~

本人水平有限，如有不正確的地方，歡迎指正~