TensorFlow編程結構
TensorFlow 與其他編程語言非常不同。
首先通過將程序分為兩個獨立的部分，構建任何擬創建神經網絡的藍圖，包括計算圖的定義及其執行。起初這對于傳統程序員來說看起來很麻煩，但是正是圖定義和執行的分開設計讓 TensorFlow 能夠多平臺工作以及并行執行，TensorFlow 也因此更加強大。
計算圖：是包含節點和邊的網絡。本節定義所有要使用的數據，也就是張量（tensor）對象（常量、變量和占位符），同時定義要執行的所有計算，即算子操作對象（Operation Object，簡稱 OP）。
每個節點可以有零個或多個輸入，但只有一個輸出。網絡中的節點表示對象（張量和算子操作），邊表示算子操作之間流動的張量。計算圖定義神經網絡的藍圖，但其中的張量還沒有相關的數值。

為了構建計算圖，需要定義所有要執行的常量、變量和算子操作。常量、變量和占位符將數學算子操作將在矩陣算子章節中詳細討論。
用一個簡單的例子描述程序結構——通過定義并執行計算圖來實現兩個向量相加。
計算圖的執行：使用會話對象來實現計算圖的執行。會話對象封裝了評估張量和操作對象的環境。這里真正實現了算子操作并將信息從網絡的一層傳遞到另外一層。不同張量對象的值僅在會話對象中被初始化、訪問和保存。在此之前張量對象只被抽象定義，在會話中才被賦予實際的意義。

具體做法
通過以下步驟定義一個計算圖：

1. 在此以兩個向量相加為例給出計算圖。假設有兩個向量 v_1 和 v_2 將作為輸入提供給 Add 操作。建立的計算圖如下：
   

2. 定義該圖的相應代碼如下所示：
   

3. 然后在會話中執行這個圖：
   

4. 以上兩行相當于下面的代碼。上面的代碼的優點是不必顯式寫出關閉會話的命令：
   

5. 運行結果是顯示兩個向量的和：
   {3 3 8 7}
   請記住，每個會話都需要使用 close() 來明確關閉，而 with 格式可以在運行結束時隱式關閉會話。
   解讀分析
   計算圖的構建非常簡單。添加變量和操作，并按照逐層建立神經網絡的順序傳遞它們（讓張量流動）。TensorFlow 還允許使用 with tf.device() 命令來使用具有不同計算圖形對象的特定設備（CPU/GPU）。在例子中，計算圖由三個節點組成， v_1 和 v_2 表示這兩個向量，Add 是要對它們執行的操作。
   接下來，為了使這個圖生效，首先需要使用 tf.Session() 定義一個會話對象 sess。然后使用 Session 類中定義的 run 方法運行它，如下所示：
   run(fetches,feed_dict=None,options=None,run_metadata)
   算子結果的值在 fetches 中提取；在示例中，提取的張量為 v_add。run 方法將導致在每次執行該計算圖的時候，都將對與 v_add 相關的張量和操作進行賦值。如果抽取的不是 v_add 而是 v_1，那么最后給出的是向量 v_1 的運行結果：
   {1,2,3,4}
   此外，一次可以提取一個或多個張量或操作對象，例如，如果結果抽取的是 [v_1…v_add]，那么輸出如下：
   {array([1,2,3,4]),array([2,1,5,3]),array([3,3,8,7])}
   在同一段代碼中，可以有多個會話對象。
   拓展閱讀
   為什么必須編寫這么多行的代碼來完成一個簡單的向量加，或者顯示一條簡單的消息。其實你可以利用下面這一行代碼非常方便地完成這個工作：
   print(tf.Session().run(tf.add(tf.constant([1,2,3,4]),tf.constant([2,1,5,3]))))
   編寫這種類型的代碼不僅影響計算圖的表達，而且當在 for 循環中重復執行相同的操作（OP）時，可能會導致占用大量內存。養成顯式定義所有張量和操作對象的習慣，不僅可使代碼更具可讀性，還可以幫助你以更清晰的方式可視化計算圖。

注意，使用 TensorBoard 可視化圖形是 TensorFlow 最有用的功能之一，特別是在構建復雜的神經網絡時。構建的計算圖可以在圖形對象的幫助菜單下進行查看。
使用 Jupyter Notebook 或者 Python shell 進行編程，使用 tf.InteractiveSession 將比 tf.Session 更方便。InteractiveSession 使自己成為默認會話，因此你可以使用 eval() 直接調用運行張量對象而不用顯式調用會話。下面給出一個例子

總結

以上是生活随笔為你收集整理的TensorFlow编程结构的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。