一. Tensorflow中的基本概念

【1】Graph(图)来表示计算任务
【2】Session(会话)执行Graph
【3】Tensor表示数据
【4】Variable维护状态
【5】Feed和Fetch为任意的操作赋值或者从中获取数据
【6】Tensor(张量)是某一类型的多维数组
【7】OP节点操作

二. Tensorflow的计算图

TensorFlow是基于计算流图的，其命名来源于自身的运行原理。Tensorflow使用图来表示计算任务，如下图所示：

图中的节点被称为op(operation)。一个op获得0个或多个tensor。op执行计算，产生0个或多个tensor。TensorFlow的一个Graph描述（定义）了计算的过程，图只有在Session中启动，才能使op返回具体的tensor。
所以Tensorflow的程序通常分为构建阶段和执行阶段。执行的过程就是tensor在计算图中的flow，所以称之为Tensorflow。

# -*- coding: UTF-8 -*-
import tensorflow as tf
# 创建常量op
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5 ,6])
# 创建add的op
c = tf.add(a, b)
print('c before:', c)
# 建立session，用with即用python中的上下文管理器管理这个session，当上下文管理器退出时，会释放资源，结束session
with tf.Session() as sess:
    print(sess.run(c))

输出的结果为:

('c before:', <tf.Tensor 'Add:0' shape=(3,) dtype=int32>)
[5 7 9]

通过session，数据才能在计算图中流动起来，这时候可以得到具体的数值。

(1) Fetch

取回操作是使用Session对象的run()调用执行图时，传入tensor，这些tensor会帮助我们取回结果。
上面的例子我们只取回了一个tensor，也可以取回多个tensor

# -*- coding: UTF-8 -*-

import tensorflow as tf
# 创建常量op
a = tf.constant([1, 2, 3])
b = tf.constant([4, 5 ,6])
# 创建add的op
c = tf.add(a, b)
d = a+c
print('c before:', c)
# 建立session，用with即用python中的上下文管理器管理这个session，当上下文管理器退出时，会释放资源，结束session
with tf.Session() as sess:
    print(sess.run([c, d]))

(2) Feed

feed可以理解为一个占位符，当运行的时候可以临时代替计算图中任意操作中的tensor。

# -*- coding: UTF-8 -*-

import tensorflow as tf
# 创建常量op
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
# 创建add的op
c = tf.add(a, b)

# 建立session，用with即用python中的上下文管理器管理这个session，当上下文管理器退出时，会释放资源，结束session
with tf.Session() as sess:
    print(sess.run(c, feed_dict={a: [1.], b: [2.]}))

这里的placeholder就是占位符，在run的时候feed具体的数值。

Tensorflow的发展背景及运行机制

这里可以参见背景&&运行机制