tensorflow基本概念_tensforflow

tensorflow数据流图

张量和稀疏张量：类似于矩阵和稀疏矩阵

tensforflow数据流图的计算过程就是拓扑排序的原理(数据流图中存在入度和出度概念)

tensorflow数据流图优势

并行计算快（拓扑排序思想和数据依赖）

分布式计算快(CPU GPU TPU)

预编译优化(XLA)

可移植好

tensorflow张量

常量张量是不可以改变的，占位符定义了高维数据的壳，变量张量可以一直保存数据的状态之类信息

tf.rank()可以输出张量的阶数

tensorflow变量

一次训练：前向传播和反向传播

tensorflow变量使用流程实践

tf.train.Saver([v1, v2])没有指定v1在文件中保存时的名字，所以在文件中保存时v1的名字保存为v1的tf.Variable定义的name('v1')。

tf.train.Saver({'v1':v1, 'v2':v2})指定了v1在文件中保存时的名字，即'v1'

save之后生成了3个文件，data保存的时数据实际的值；index保存的是索引，在庞大的网络中通过索引可以快速的查找数据；meta保存的是数据流图的结构

根据前面的计算，b已经是值全部为1的张量，所以assign_add(b,[1,1,1,1])将b更新为了值全部为2的张量，我们可以从保存的文件中恢复b原来的值(因为在保存文件时，b的值是1，所以上图中可以看到b恢复为了值全部为1的张量)。

在复杂的网络中，可能只恢复变量是不够的，也许需要使用tf.train.import_meta_graph来恢复数据流图。

操作(operation)是什么

会话是什么

实际上在底层，估算张量(Tensor.eval)和执行操作(Operation.run)调用的还是session.run()方法

在tensorflow中，可以指定节点执行的设备，如上图input和reshape节点指定在cpu上执行，神经网络部分指定在gpu上执行，当cpu上的节点存在入度为0的节点且Gpu上也存在入度为0的节点则此时可以实现一定的并行计算。

在client由tensorflow api编写代码，然后为了执行将这些代码传输到server(本地设备)，然后基于设置的节点的执行设备，将节点在其相应的设备(cpu/gpu)上执行

优化器(optimizer)是什么