與 HTML 類似，TensorFlow 是用於表示某種類型的計算抽象（稱為「計算圖」）的框架。但我們用 Python 操作 TensorFlow 時，我們用 Pyhton 代碼做的第一件事就是構建計算圖。一旦完成，我們做的第二件事就是與它進行交互（啟動 TensorFlow 的「會話」）。但重要的是，要記住計算圖不在變量內部；而是處在全局命名空間中。正如莎士比亞所說：「所有的 RAM 都是一個階段，所有的變量都僅僅是指針」
第一個關鍵抽象：計算圖
當你在瀏覽 TensorFlow 文檔時，可能會發現對「圖形」和「節點」的間接引用。如果你仔細閱讀，你甚至可能已經發現了這個頁面（https://www.tensorflow.org/programmers_guide/graphs），該頁面涵蓋了我將以更準確和技術化的方式去解釋的內容。本節是一篇高級攻略，把握重要的直覺概念，同時忽略一些技術細節。
那麼：什麼是計算圖？它本質上是一個全局數據結構：是一個有向圖，用於捕獲有關如何計算的指令。
讓我們來看看構建計算圖的一個示例。在下圖中，上半部分是我們運行的代碼及其輸出，下半部分是生成的計算圖。
import tensorflow as tf
計算圖：
可見，僅僅導入 TensorFlow 並不會給我們生成一個有趣的計算圖。而只是一個單獨的，空白的全局變量。但當我們調用一個 TensorFlow 操作時，會發生什麼？
代碼：
import tensorflow as tftwo_node = tf.constant(2)print two_node
輸出：
Tensor("Const:0", shape=(), dtype=int32)計算圖：
快看！我們得到了一個節點。它包含常量 2。很驚訝吧，這來自於一個名為 tf.constant 的函數。當我們打印這個變量時，我們看到它返回一個 tf.Tensor 對象，它是一個指向我們剛剛創建的節點的指針。為了強調這一點，以下是另外一個示例：
代碼：
import tensorflow as tftwo_node = tf.constant(2)another_two_node = tf.constant(2)two_node = tf.constant(2)tf.constant(3)
計算圖：
每次我們調用 tf.constant 時，我們都會在圖中創建一個新的節點。即使該節點的功能與現有節點相同，即使我們將節點重新分配給同一個變量，或者即使我們根本沒有將其分配給一個變量，結果都是一樣的。
代碼：
import tensorflow as tftwo_node = tf.constant(2)another_pointer_at_two_node = two_nodetwo_node = Noneprint two_nodeprint another_pointer_at_two_node
輸出：
NoneTensor("Const:0", shape=(), dtype=int32)計算圖：
好啦，讓我們更進一步：
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_node ## equivalent to tf.add(two_node, three_node)
計算圖：
現在我們正談論—這才是我們真正想要的計算圖！請注意，+ 操作在 TensorFlow 中過載，因此同時添加兩個張量會在圖中增加一個節點，儘管它表面上看起來不像是 TensorFlow 操作。
那好，所以 two_node 指向包含 2 的節點，three_node 指向包含 3 的節點，同時 sum_node 指向包含 ...+ 的節點？怎麼回事？它不是應該包含 5 嗎？
事實證明，並沒有。計算圖只包含計算步驟；不包含結果。至少……現在還沒有！
第二個關鍵抽象： 會話
如果錯誤地理解 TensorFlow 抽象概念也有個「瘋狂三月」（NCAA 籃球錦標賽，大部分在三月進行），那麼會話將成為每年的一號種子選手。會話有著那樣令人困惑的殊榮是因為其反直覺的命名卻又普遍存在—幾乎每個 TensorFlow 呈現都至少一次明確地調用 tf.Session()。
會話的作用是處理內存分配和優化，使我們能夠實際執行由計算圖指定的計算。你可以將計算圖想象為我們想要執行的計算的「模版」：它列出了所有步驟。為了使用計算圖，我們需要啟動一個會話，它使我們能夠實際地完成任務；例如，遍歷模版的所有節點來分配一堆用於存儲計算輸出的存儲器。為了使用 TensorFlow 進行各種計算，你既需要計算圖也需要會話。
會話包含一個指向全局圖的指針，該指針通過指向所有節點的指針不斷更新。這意味著在創建節點之前還是之後創建會話都無所謂。
創建會話對象後，可以使用 sess.run(node) 返回節點的值，並且 TensorFlow 將執行確定該值所需的所有計算。
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_nodesess = tf.Session()print sess.run(sum_node)
輸出：
5
計算圖：
太好了！我們也可以傳遞一個列表，sess.run([node1, node2, ...])，並讓它返回多個輸出：
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_nodesess = tf.Session()print sess.run([two_node, sum_node])
輸出：
[2, 5]
計算圖：
一般來說，sess.run() 的調用往往是 TensorFlow 最大的瓶頸之一，因此調用它的次數越少越好。如果可以的話，在一個 sess.run() 的調用中返回多個項目，而不是進行多個調用。
佔位符和 feed_dict
迄今為止，我們所做的計算一直很乏味：沒有機會獲得輸入，所以它們總是輸出相同的東西。一個更有價值的應用可能涉及構建一個計算圖，它接受輸入，以某種（一致）方式處理它，並返回一個輸出。
最直接的方法是使用佔位符。佔位符是一種用於接受外部輸入的節點。
代碼：
import tensorflow as tfinput_placeholder = tf.placeholder(tf.int32)sess = tf.Session() print sess.run(input_placeholder)
輸出：
Traceback (most recent call last):...InvalidArgumentError (see above *for* traceback): You must feed a value *for* placeholder tensor 'Placeholder' *with* dtype int32 [[Node: Placeholder = Placeholder[dtype=DT_INT32, shape=, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
計算圖：
... 這是一個糟糕的例子，因為它引發了一個異常。佔位符預計會被賦予一個值。但我們沒有提供一個值，所以 TensorFlow 崩潰了。
為了提供一個值，我們使用 sess.run() 的 feed_dixt 屬性。
代碼：
import tensorflow as tf input_placeholder = tf.placeholder(tf.int32) sess = tf.Session() print sess.run(input_placeholder, feed_dict={input_placeholder: 2})輸出：
2
計算圖：
這就好多了。注意傳遞給 feed_dict 的 dict 格式，其關鍵應該是與圖中的佔位符節點相對應的變量（如前所述，它實際上意味著指向圖中佔位符節點的指針）。相應的值是要分配給每個佔位符的數據元素——通常是標量或 Numpy 數組。
第三個關鍵抽象：計算路徑
讓我們看看另一個使用佔位符的示例：
代碼：
import tensorflow as tfinput_placeholder = tf.placeholder(tf.int32)three_node = tf.constant(3)sum_node = input_placeholder + three_nodesess = tf.Session()print sess.run(three_node)print sess.run(sum_node)
輸出：
3Traceback (most recent call last):...InvalidArgumentError (see above for traceback): You must feed a value *for* placeholder tensor 'Placeholder_2' with dtype int32 [[Node: Placeholder_2 = Placeholder[dtype=DT_INT32, shape=, _device="/job:localhost/replica:0/task:0/device:CPU:0"]()]]
計算圖：
為什麼第二次調用 sess.run() 會失敗？即使我們沒有評估 input_placeholder，為什麼仍會引發與 input_placeholder 相關的錯誤？答案在於最終的關鍵 TensorFlow 抽象：計算路徑。幸運的是，這個抽象非常直觀。
當我們在依賴於圖中其他節點的節點上調用 sess.run() 時，我們也需要計算那些節點的值。如果這些節點具有依賴關係，那麼我們需要計算這些值（依此類推……），直到達到計算圖的「頂端」，即節點沒有父節點時。
sum_node 的計算路徑：
所有三個節點都需要進行求值以計算 sum_node 的值。最重要的是，這包含了我們未填充的佔位符，並解釋了異常！
現在來看 three_node 的計算路徑：
根據圖結構，我們不需要計算所有節點才能評估我們想要的節點！因為我們在評估 three_node 時不需要評估 placehoolder_node，所以運行 sess.run(three_node) 不會引發異常。
TensorFlow 僅通過必需的節點自動進行計算這一事實是該框架的一個巨大優勢。如果計算圖非常大並且有許多不必要的節點，那麼它可以節省大量調用的運行時間。它允許我們構建大型的「多用途」計算圖，這些計算圖使用單個共享的核心節點集合，並根據所採取的不同計算路徑去做不同的事情。對於幾乎所有應用而言，根據所採取的計算路徑考慮 sess.run() 的調用是很重要的。
變量 & 副作用
至此，我們已經看到兩種類型的「無祖先」節點（no-ancestor node）：每次運行都一樣的 tf.constant 和每次運行都不一樣的 tf.placeholder。我們常常要考慮第三種情況：一個通常在運行時保持值不變的節點也可以被更新為新值。
這時就需要引入變量。
變量對於使用 TensorFlow 進行深度學習是至關重要的，因為模型的參數就是變量。在訓練期間，你希望通過梯度下降在每個步驟更新參數；但在評估時，你希望保持參數不變，並將大量不同的測試集輸入模型。通常，模型所有可訓練參數都是變量。
要創建變量，就需要使用 tf.get_variable()。tf.get_variable() 的前兩個參數是必需的，其餘參數是可選的。它們是 tf.get_variable(name，shape)。name 是一個唯一標識這個變量對象的字符串。它必須相對於全局圖是唯一的，所以要明瞭你使用過的所有命名，確保沒有重複。shape 是與張量形狀對應的整數數組，它的語法非常直觀：按順序，每個維度只有一個整數。例如，一個 3x8 矩陣形狀是 [3, 8]。要創建一個標量，就需要使用形狀為 [] 的空列表。
代碼：
import tensorflow as tfcount_variable = tf.get_variable("count", [])sess = tf.Session()print sess.run(count_variable)輸出：
Traceback (most recent call last):...tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value count [[Node: _retval_count_0_0 = _Retval[T=DT_FLOAT, index=0, _device="/job:localhost/replica:0/task:0/device:CPU:0"](count)]]
計算圖：
噫，另一個異常。當首次創建變量節點時，它的值基本上為「null」，並且任何試圖對它求值的操作都會引發這個異常。我們只能在將值放入變量之後才能對其求值。主要有兩種將值放入變量的方法：初始化器和 tf.assign()。我們先看看 tf.assign()：
代碼：
import tensorflow as tfcount_variable = tf.get_variable("count", [])zero_node = tf.constant(0.)assign_node = tf.assign(count_variable, zero_node)sess = tf.Session()sess.run(assign_node)print sess.run(count_variable)輸出：
0
計算圖：
與我們迄今為止見過的節點相比，tf.assign(target, value) 是具備一些獨特屬性：
- 恆等運算。tf.assign(target, value) 不做任何有趣的運算，通常與 value 相等。
- 副作用。當計算「流經」assign_node 時，副作用發生在圖中的其他節點上。此時，副作用是用存儲在 zero_node 中的值替換 count_variable 的值。
- 非依賴邊。即使 count_variable 節點和 assign_node 在圖中是相連的，但它們彼此獨立。這意味著計算任一節點時，計算不會通過邊迴流。然而，assign_node 依賴於 zero_node，它需要知道分配了什麼。
「副作用」節點支撐著大部分 Tensorflow 深度學習工作流程，所以請確保自己真正理解了在該節點發生的事情。當我們調用 sess.run(assign_node) 時，計算路徑會通過 assign_node 和 zero_node。
計算圖：
當計算流經圖中的任何節點時，它還會執行由該節點控制的任何副作用，如圖中綠色所示。由於 tf.assign 的特殊副作用，與 count_variable（之前為「null」）關聯的內存現在被永久設置為 0。這意味著當我們下一次調用 sess.run(count_variable) 時，不會引發任何異常。相反，我們會得到 0 值。成功！
接下來，讓我們看看初始化器：
代碼：
import tensorflow as tfconst_init_node = tf.constant_initializer(0.)count_variable = tf.get_variable("count", [], initializer=const_init_node)sess = tf.Session()print sess.run([count_variable])輸出：
Traceback (most recent call last):...tensorflow.python.framework.errors_impl.FailedPreconditionError: Attempting to use uninitialized value count [[Node: _retval_count_0_0 = _Retval[T=DT_FLOAT, index=0, _device="/job:localhost/replica:0/task:0/device:CPU:0"](count)]]
計算圖：
那好，這裡發生了什麼？為什麼初始化器不工作？
問題出現在會話和圖之間的分離。我們已將 get_variable 的 initializer 屬性設置為指向 const_init_node，但它只是在圖中的節點之間添加了一個新的連接。我們還沒有做任何解決異常根源的事：與變量節點（存儲在會話中，而不是計算圖中）相關聯的內存仍然設置為「null」。我們需要通過會話使 const_init_node 去更新變量。
代碼：
import tensorflow as tfconst_init_node = tf.constant_initializer(0.)count_variable = tf.get_variable("count", [], initializer=const_init_node)init = tf.global_variables_initializer()sess = tf.Session()sess.run(init)print sess.run(count_variable)輸出：
0
計算圖：
為此，我們添加另一個特殊的節點：init = tf.global_variables_initializer()。與 tf.assign() 類似，這是一個帶有副作用的節點。與 tf.assign() 相反，實際上我們不需要指定它的輸入是什麼！tf.global_variables_initializer() 將在其創建時查看全局圖並自動將依賴關係添加到圖中的每個 tf.initializer。當我們在之後使用 sess.run(init) 對它求值時，它會告訴每個初始化程序執行變量初始化，並允許我們運行 sess.run(count_variable) 而不出錯。
變量共享
你可能會遇到帶有變量共享的 Tensorflow 代碼，其涉及創建作用域並設置「reuse = True」。我強烈建議不要在自己的代碼中使用變量共享。如果你想在多個地方使用單個變量，只需以編程方式記錄指向該變量節點的指針，並在需要時重新使用它。換言之，對於想要保存在內存中的每個變量，你只需要調用一次 tf.get_variable()。
優化器
最後：進行真正的深度學習！如果你跟上我的節奏，那麼其餘概念對你來說應該非常簡單。
在深度學習中，典型的「內循環」訓練如下：
1. 獲取輸入和 true_output
2. 根據輸入和參數計算「推測」值
3. 根據推測與 true_output 之間的差異計算「損失」
4. 根據損失的梯度更新參數
讓我們把所有東西放在一個快速腳本里，解決簡單的線性迴歸問題：
代碼：
import tensorflow as tf### build the graph## first set up the parametersm = tf.get_variable("m", [], initializer=tf.constant_initializer(0.))b = tf.get_variable("b", [], initializer=tf.constant_initializer(0.))init = tf.global_variables_initializer()## then set up the computationsinput_placeholder = tf.placeholder(tf.float32)output_placeholder = tf.placeholder(tf.float32)x = input_placeholdery = output_placeholdery_guess = m * x + bloss = tf.square(y - y_guess)## finally, set up the optimizer and minimization nodeoptimizer = tf.train.GradientDescentOptimizer(1e-3)train_op = optimizer.minimize(loss)### start the sessionsess = tf.Session()sess.run(init)### perform the training loop*import* random## set up problemtrue_m = random.random()true_b = random.random()*for* update_i *in* range(100000): ## (1) get the input and output input_data = random.random() output_data = true_m * input_data + true_b ## (2), (3), and (4) all take place within a single call to sess.run()! _loss, _ = sess.run([loss, train_op], feed_dict={input_placeholder: input_data, output_placeholder: output_data}) *print* update_i, _loss### finally, print out the values we learned for our two variables*print* "True parameters: m=%.4f, b=%.4f" % (true_m, true_b)*print* "Learned parameters: m=%.4f, b=%.4f" % tuple(sess.run([m, b]))輸出：
0 2.32053831 0.57927422 1.552543 1.57332594 0.64356485 2.40612656 1.07462567 2.19987158 1.67751169 1.646242310 2.441034...99990 2.9878322e-1299991 5.158629e-1199992 4.53646e-1199993 9.422685e-1299994 3.991829e-1199995 1.134115e-1199996 4.9467985e-1199997 1.3219648e-1199998 5.684342e-1499999 3.007017e-11*True* parameters: m=0.3519, b=0.3242Learned parameters: m=0.3519, b=0.3242
就像你看到的一樣，損失基本上變為零，並且我們對真實參數進行了很好的估計。我希望你只對代碼中的以下部分感到陌生：
## finally, set up the optimizer and minimization nodeoptimizer = tf.train.GradientDescentOptimizer(1e-3)train_op = optimizer.minimize(loss)
但是，既然你對 Tensorflow 的基本概念有了很好的理解，這段代碼就很容易解釋！第一行，optimizer = tf.train.GradientDescentOptimizer(1e-3) 不會向計算圖中添加節點。它只是創建一個包含有用的幫助函數的 Python 對象。第二行，train_op = optimizer.minimize(loss) 將一個節點添加到圖中，並將一個指針存儲在變量 train_op 中。train_op 節點沒有輸出，但是有一個十分複雜的副作用：
train_op 回溯輸入和損失的計算路徑，尋找變量節點。對於它找到的每個變量節點，計算該變量對於損失的梯度。然後計算該變量的新值：當前值減去梯度乘以學習率的積。最後，它執行賦值操作更新變量的值。
因此基本上，當我們調用 sess.run(train_op) 時，它對我們的所有變量做了一個梯度下降的步驟。當然，我們也需要使用 feed_dict 填充輸入和輸出佔位符，並且我們還希望打印損失的值，因為這樣方便調試。
用 tf.Print 調試
當你用 Tensorflow 開始做更復雜的事情時，你需要進行調試。一般來說，檢查計算圖中發生了什麼是相當困難的。因為你永遠無法訪問你想打印的值—它們被鎖定在 sess.run() 的調用中，所以你不能使用常規的 Python 打印語句。具體來說，假設你是想檢查一個計算的中間值。在調用 sess.run() 之前，中間值還不存在。但是，當你調用的 sess.run() 返回時，中間值又不見了！
讓我們看一個簡單的示例。
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_nodesess = tf.Session()print sess.run(sum_node)
輸出：
5
這讓我們看到了答案是 5。但是，如果我們想要檢查中間值，two_node 和 three_node，怎麼辦？檢查中間值的一個方法是向 sess.run() 中添加一個返回參數，該參數指向要檢查的每個中間節點，然後在返回後，打印它的值。
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_nodesess = tf.Session()answer, inspection = sess.run([sum_node, [two_node, three_node]])print inspectionprint answer
輸出：
[2, 3]5
這通常是有用的，但當代碼變得越來越複雜時，這可能有點棘手。一個更方便的方法是使用 tf.Print 語句。令人困惑的是，tf.Print 實際上是一種具有輸出和副作用的 Tensorflow 節點！它有兩個必需參數：要複製的節點和要打印的內容列表。「要複製的節點」可以是圖中的任何節點；tf.Print 是一個與「要複製的節點」相關的恆等操作，意味著輸出的是輸入的副本。但是，它的副作用是打印出「打印列表」裡的所有當前值。
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_nodeprint_sum_node = tf.Print(sum_node, [two_node, three_node])sess = tf.Session()print sess.run(print_sum_node)
輸出：
[2][3]5
計算圖：
有關 tf.Print 一個重要且有點微妙的點：打印是一個副作用。像所有其他副作用一樣，只要在計算流經 tf.Print 節點時才會進行打印。如果 tf.Print 節點不在計算路徑上，則不會打印任何內容。特別的是，即使 tf.Print 節點正在複製的原始節點位於計算路徑上，但 tf.Print 節點本身可能不在。請注意這個問題！當這種情況發生時（總會發生的），如果你沒有明確地找到問題所在，它會讓你感到十分沮喪。一般來說，最好在創建要複製的節點後，立即創建你的 tf.Print 節點。
代碼：
import tensorflow as tftwo_node = tf.constant(2)three_node = tf.constant(3)sum_node = two_node + three_node### this new copy of two_node is not on the computation path, so nothing prints!print_two_node = tf.Print(two_node, [two_node, three_node, sum_node])sess = tf.Session() print sess.run(sum_node)
輸出：
5
計算圖：
這裡有一個很好的資源（https://wookayin.github.io/tensorflow-talk-debugging/#1），它提供了其他一些實用的調試建議。
結論
希望這篇博文可以幫助你更好地理解什麼是 Tensorflow，它是如何工作的以及怎麼使用它。總而言之，本文介紹的概念對所有 Tensorflow 項目都很重要，但只是停留在表面。在你探索 Tensorflow 的旅程中，你可能會遇到其他各種你需要的有趣概念：條件、迭代、分佈式 Tensorflow、變量作用域、保存和加載模型、多圖、多會話和多核、數據加載器隊列等等。我將在未來的博文中討論這些主題。但如果你使用官方文檔、一些代碼示例和一點深度學習的魔力來鞏固你在本文學到的思想，我相信你一定可以弄明白 Tensorflow！
閱讀更多 機器之心 的文章
關鍵字: Python 編程語言 JavaScript
