TensorFlow简介

TensorFlow是由谷歌人工智能团队谷歌大脑开发和维护的深度学习平台，目前人工智能领域主流的开发平台，在全球有着广泛的用户群体。

特点：

• 优秀的架构设计，通过张量流进行数据传递和计算，用户可以清晰地看到张量流动的每一个环节。
• 可以轻松地在CPU/GPU上部署，进行分布式计算，为大数据分出现提供计算能力的支撑。
• 跨平台性好，灵活性强。TensorFlow不仅在Linux、Mac、和Windows系统中运行，甚至可以再终端下工作。

TensorFlow的体系结构

TensorFlow属于定义与运行相分离的运行机制，从操作层面可以抽象成两种，模型的构建和模型的运行。

• 客户端，用户编程、执行使用。
• mster:用来与客户端交互，并进行调度的。
• worker process：工作节点，每个worker process可以访问一道多个device
• device：TF的计算核心，执行计算。
• Tf的实现分为单机实现，分布式实现。

基本概念

张量：多维数组或向量，张量是数据的载体，包含名字、形状、数据类型等属性。

数据流图用节点和线的有向图来描述数学计算。

节点，一般用来表示数学操作，也可以表示数据输入的起点，和输出的终点，或者读取写入持久变量的终点。

线表示节点之间的输入输出关系，数据线可以输运多维数据组，即“张量”。

一旦输入终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运算。

操作：指专门执行计算的节点，TensorFlow函数或者API定义的都是操作，常用的操作包括：

• 标量的运算、向量的运算、矩阵的运算
• 带状态的运算
• 神经网络组件
• 存储、恢复
• 控制流
• 队列及同步运算

图描述整个程序结构，TensorFlow中所有的计算都构建在图中。

会话，用来执行图的运算。

在TensorFlow中，变量时一种操作，变量是一种特殊的张量，能够进行存储持久化，它的值是张量。

占位符是变量占位符，当不确定变量的值时，可以先声明一个占位符，真正执行的时候再传入变量。

图，描述了计算过程，TensorFlow程序通常被组织成一个构建阶段和一个执行阶段，在构建阶段，OP 的执行步骤被描述成一个图，在执行阶段使用会话执行图中的OP。在TensorFlow中，op/session.tensor都有graph属性。

会话，用来执行图中的计算，并且保存了计算张量对象的上下文信息，会话的主要作用有，运行图结构，分配资源，掌握资源，一个session只能执行一个图的运算，可以再会话对象创建时，制定运行的图，如果在构造会话时未指定图形参数，则将在会话中使用默认图。如果在同一进程中使用多个图，则必须为每个图使用不同的会话，但每个图可以再多个会话中使用。