什么是Data Flow Graph?
- Data flow graphs — 数据流图
- Tensors — 张量
Data flow graphs是一个描述数学计算的有向图，由节点和边构成。节点通常用于实现数学操作，同时也可以表征endpoints来获取数据或输出结果，或者读写持久化变量。边描述了节点之间的输入输出关系。这些数据边搭载了动态多维数组，也就是tensors。tensors在图中的流动，故TensorFlow以此得名。节点被分派给计算设备，一旦所有入边的tensors可用时，计算异步并行执行。
Data Flow Graph
示例程序
我们可以创建一个名为TensorFlow的目录，然后创建一个fit_a_line.py的文件，代码如下：
import tensorflow as tf
import numpy as np
# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
# 使用NumPy创建100个虚假的x, y数据点，满足y = x * 0.1 + 0.3
x_data = np.random.rand(100).astype("float32")
y_data = x_data * 0.1 + 0.3
# Try to find values for W and b that compute y_data = W * x_data + b
# (We know that W should be 0.1 and b 0.3, but Tensorflow will
# figure that out for us.)
# 设法找出W和b满足y_data = W * x_data + b
# 我们知道W是0.1，b是0.3，但是想让Tensorflow帮我们求得
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b
# Minimize the mean squared errors.
# 使得均方差最小
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# Before starting, initialize the variables. We will 'run' this first.
# 开始前初始化变量，我们先运行它
init = tf.initialize_all_variables()
# Launch the graph.
# 生成图
sess = tf.Session()
sess.run(init)
# Fit the line.
# 拟合曲线
for step in xrange(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
# Learns best fit is W: [0.1], b: [0.3]
代码的第一部分构建了data flow graph。TensorFlow并不预先执行任何的计算，直到我们创建了session并且调用了run函数。
使用python fit_a_line.py运行该文件，运行结果如下：
(0, array([-0.01760098], dtype=float32), array([ 0.46823004], dtype=float32))
(20, array([ 0.0524787], dtype=float32), array([ 0.3234933], dtype=float32))
(40, array([ 0.08600281], dtype=float32), array([ 0.30691987], dtype=float32))
(60, array([ 0.0958772], dtype=float32), array([ 0.30203822], dtype=float32))
(80, array([ 0.09878565], dtype=float32), array([ 0.30060035], dtype=float32))
(100, array([ 0.09964232], dtype=float32), array([ 0.30017683], dtype=float32))
(120, array([ 0.09989465], dtype=float32), array([ 0.30005211], dtype=float32))
(140, array([ 0.09996897], dtype=float32), array([ 0.30001536], dtype=float32))
(160, array([ 0.09999087], dtype=float32), array([ 0.30000454], dtype=float32))
(180, array([ 0.09999729], dtype=float32), array([ 0.30000135], dtype=float32))
(200, array([ 0.0999992], dtype=float32), array([ 0.3000004], dtype=float32))
可以看到，经过200次的训练后，得到的W非常接近0.1，得到的b非常接近0.3。
