TensorFlow 中的张量，图，会话

tensor的含义是张量，张量是什么，听起来很高深的样子，其实我们对于张量一点都不陌生，因为像标量，向量，矩阵这些都可以被认为是特殊的张量。如下图所示：



在TensorFlow中，tensor实际上就是各种“数”的统称。而flow是流动的意思。所以TensorFlow的意思就是“数”的流动，可以说TensorFlow这个名字很形象。一般来说，编程模式有两种，一种是命令式的，一种是符号式的。命令式便于理解和调试，而符号式便于对复杂代码进行封装和抽象（就想我们把一些操作封装成函数，每次调用根据不同的输入值来得到返回值）。TensorFlow是一个符号主义的库，在TensorFlow内部，需要先定义各种变量，然后建立一个计算图（计算流图），计算图指定了各个变量之间的计算关系。计算图就像工厂里的流水线，流水线决定了每一道工序是如何对原料进行加工的。TensorFlow中的原料就是计算图输入的数据，只有输入了数据，形成了数据流（tensor开始flow了），才能形成输出。

张量

import tensorflow as tf
"""
TensorFlow中的张量有三个属性：name,shape,dtype
1.name第一个属性是张量的一个标识符name=’参数为字符串类型’,如果没有指定,会根据张量是通过什么操作(运算)自动添加,后面的0表示张量d是计算节点add的第一个输出.
2.shape,描述张量的维度信息
3.dtype,张量的类型,如果在创建节点时没有指定dtype,没有小数点默认tf.int32,有小数点默认tf.float32.tensorflow会对参与计算张量的类型进行检查,不匹配会报错
"""
#张量的属性
result = tf.add(1,2)
print(result)  # Tensor("Add:0", shape=(), dtype=int32)
result2 = tf.add(2,3,name='result2')
print(result2) # Tensor("result2:0", shape=(), dtype=int32)
result3 = tf.add(3,4,name='result2')
print(result3) # Tensor("result2_1:0", shape=(), dtype=int32)
# 创建图
a = tf.constant(1, name='input_a')
b = tf.constant(2, name='input_b',dtype=tf.int8)
f = tf.add(a,b, name='add_ab')
#每一个节点（上面的a,b,f）都是一个Op(Operation),每个Op可以接受或输出多个或0个tensor对象，如tf.constant()创建一个常量Op,
#TensorFlow可接收Python数值、布尔值、字符串、数组。单个数值转化为0阶张量（标量）。数值列表转化为1阶张量（向量）。由列表构成的列表转化为2阶张量（矩阵）。
#TensorFlow数据类型基于NumPy。任何NumPy数组都可以传递给TensorFlow Op。使用时指定所需数据类型比不指定的代价小。
#TensorFlow返回的张量都是NumPy数组

图和会话

"""
计算图（graph）：只定义计算过程和数据（tensor）的操作方式，计算图中并不保存任何数据。
会话（session）：会话分配计算资源（一台或者多台的机器）去执行计算图或计算图中的一部分运算操作。当前的变量和结果保存在会话中。
"""
#定义一个会话
graph = tf.Graph()
with graph.as_default():
    var = tf.Variable(initial_value=1,name='var1')
    initialize = tf.global_variables_initializer()
    assign = var.assign(value=33)
#如果创建Op前，没有显式的创建计算图，TensorFlow将会在接下来的会话中使用使用默认的计算图
#在会话中运行计算图中定义的计算过程
"""
在TensorFlow中计算图的任何操作都需要在为计算图创建的会话中来运行。会话（session）会给相关的变量分配内存
"""
with tf.Session(graph=graph) as sess:
    sess.run(initialize)
    sess.run(assign)
    print(sess.run(var))
#   Output: 13
#变量只在一个session中有效，比如下面的代码会提示变量没有初始化。
with tf.Session(graph=graph) as sess2:
  print(sess2.run(var))
# Error: Attempting to use uninitialized value var1
#当然，也可以在多个会话session中使用同一个计算图，但是每个会话中的变量是独立的，就像在多个车间中使用同样规格的生产线。
# 变量的保存和恢复
import tensorflow as tf
import numpy as np
#保存的目录
save_file = './ckpt/mymodel'
#创建用来处理保存操作的类
graph = tf.Graph()
with graph.as_default():
    x = tf.placeholder(dtype=tf.float32,shape=[None,2])
    y = tf.placeholder(dtype=tf.float32,shape=[None,2])
    w = tf.Variable(initial_value=np.random.rand(1,2),dtype=tf.float32)
    b = tf.Variable(initial_value=[1.0,1.0],dtype=tf.float32)
    y_pred =  x * w + b
    loss=tf.reduce_mean(tf.square(y_pred-y))
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1)
    train = optimizer.minimize(loss)
    saver = tf.train.Saver()
    initialize = tf.global_variables_initializer()
x_data = np.random.rand(1000,2)
with tf.Session(graph = graph)as sess:
    sess.run(initialize)
    _, tmp_loss = sess.run([train, loss], feed_dict={x: x_data, y: x_data * [[2, 2]]})
    print('loss:',tmp_loss)
    for i in range(5000):
        _,tmp_loss=sess.run([train,loss],feed_dict={x:x_data,y:x_data*[[2,2]]})
    _, tmp_loss = sess.run([train, loss], feed_dict={x: x_data, y: x_data * [[2, 2]]})
    print('loss:',tmp_loss)
    print('w:',sess.run(w))
    saver.save(sess,save_path=save_file)
with tf.Session(graph = graph) as sess_restore:
    saver.restore(sess_restore,save_file)
    print('w:',sess_restore.run(w))
"""
注意：tf.train.Saver()需要在你想要保存的变量的定义后在创建，并且要求和这些变量在同一个计算图中，否则将会导致TensorFlow的ValueError: No variables to save 错误。
"""