这里的例子包含在：https://github.com/aymericdamien/TensorFlow-Examples/tree/master/examples/1_Introduction
官方的入门讲解在：http://www.tensorfly.cn/tfdoc/get_started/basic_usage.html
使用 TensorFlow, 你必须明白 TensorFlow:
- 使用图 (graph) 来表示计算任务.
- 在被称之为 会话 (Session) 的上下文 (context) 中执行图.
- 使用 tensor 表示数据.
- 通过 变量 (Variable) 维护状态.
- 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.
对于程序员来说，“hello world”形式的例子几乎是一种学习新技术的仪式。
tensorflow版的"开机仪式"代码如下：
import tensorflow as tf
#定义一个常量操作节点，
hello = tf.constant("hello, TensorFlow2018!")
#获取一个会话
sess = tf.Session()
#启动会话运行hello节点
print(sess.run(hello))
# 任务完成, 关闭会话.
sess.close()
#输出内容为：b'hello, TensorFlow2018!'
下面这个例子牵涉到的概念更全面：
import tensorflow as tf
#定义两个常量操作
#构造函数返回的值就是常量节点(Constant op)的输出
a = tf.constant(2)
b = tf.constant(3)
#启动默认的计算图
with tf.Session() as sess:
print("a = 2, b = 3")
print("常量相加：{}".format(sess.run(a+b)))
print("常量相乘：{}".format(sess.run(a*b)))
#使用变量输出值作为计算图的输入
a = tf.placeholder(tf.int16)
b = tf.placeholder(tf.int16)
#定义一些操作
add = tf.add(a, b)
mul = tf.multiply(a, b)
#启动默认的计算图
with tf.Session() as sess:
print("变量相加：{}".format(sess.run(add, feed_dict={a:2, b:3})))
print("变量相乘：{}".format(sess.run(mul, feed_dict={a:2, b:3})))
#创建一个1X2的常量矩阵，该op会作为一个节点被加入到默认的计算图
#构造器返回的值代表这个op的输出
matrix1 = tf.constant([[3., 3.]])
#创建一个2X1的常量矩阵
matrix2 = tf.constant([[2.], [2.]])
#创建一个矩阵乘法op，它的输入为matrix1和matrix2
#返回的值product表示乘法的结果
product = tf.matmul(matrix1, matrix2)
#为了运行mutmul op我们运行会话的run()方法，使用product作为输入，product代表mutmul op的输出
#这表明我们想要matmul op的输出
#op的所有输入都会由会话自动运行。这些输入一般都是并行运行的
#对'run(product)'的调用回引起这3个op的执行：2个constants和一个matmul
#op的输出值返回给result，这是一个numpy数组对象
with tf.Session() as sess:
result = sess.run(product)
print("矩阵常量相称：{}".format(result))
输出内容为：
a = 2, b = 3
常量相加：5
常量相乘：6
变量相加：5
变量相乘：6
矩阵常量相称：[[ 12.]]
知识总结
tensorflow的基本概念就是数据流图，使用tensorflow的步骤就是：
- 构建数据流图
- 运行数据流图
数据流图由两种基础构建组成：
- 节点（node):通常由圆圈表示，代表某种数学操作或运算（因此经常简称op:operation）。
- 边（edge）：对应向op传入和从op传出的数值。这些边可以运输多维数据（即张量）
下面借用http://www.tensorfly.cn/的一段描述.
什么是数据流图（Data Flow Graph）?
数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。
image
运行数据流图需要在会话（session）中进行，常用的创建方式是：
with tf.Session() as sess或者sess = tf.Session()
运行数据流图过程会执行各种操作，借用studyAi网站的一副图片：
image
如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow 使用这些 GPU, 你必须将 op 明确指派给它们执行. with...Device 语句用来指派特定的 CPU 或 GPU 执行操作:
with tf.Session() as sess:
with tf.device("/gpu:1"):
matrix1 = tf.constant([[3., 3.]])
matrix2 = tf.constant([[2.],[2.]])
product = tf.matmul(matrix1, matrix2)
...
设备用字符串进行标识. 目前支持的设备包括:
- "/cpu:0": 机器的 CPU.
- "/gpu:0": 机器的第一个 GPU, 如果有的话.
- "/gpu:1": 机器的第二个 GPU, 以此类推.
与数据相关的op由三种：
- tf.constant
- tf.placeholder
- tf.Variable
使用Variable的使用必须先经过初始化 (init) op 初始化
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
# 运行 'init' op
sess.run(init_op)
