Task 1_补充 TensorFlow概念学习
什么是张量
https://www.youtube.com/watch?v=f5liqUk0ZTw 英文解说 https://blog.csdn.net/wtq1993/article/details/51714121 中文解释
TensorFlow的名字由来
TensorFlow的名字可以拆开为tensor和flow来理解。tensor是张量，flow是流。因此，TensorFlow就是张量的流动。简单来讲，tensorFlow的运行机制就是通过构建一个计算图，然后再根据这张图进行计算。计算图包含很多节点，它们叫做算子(operation)。算子会接受张量作为输入，并输出张量给另一个算子。因此在运行计算图的过程中，张量会被一直操作并传递，直到计算图输出。
算子，计算图，张量的形象表示
图1 一个简单的加法运算
在图1，a,b两个算子输出两个向量作为add算子的输入，add会对其输入进行加法操作，但没有输出。一个计算图就是由很多个算子相互联系而成的。比如图2，它所完成的事情显而易见。MatMul, Add 和 ReLU是算子。b, W, X是张量。整个流程是计算图。
图2 一个计算图
理解不了张量？
张量类似于多维的数组，在物理学有广泛的应用。但是在这里，我们不必过于纠结它的意义。我们只需要知道它在计算图中是输入、输出中流动的信息就好。它既是算子的输入，也是它的输出。
TensorFlow的运行机制
上文说过，TensorFlow的运行机制就是通过构建一个计算图，然后再根据这张图进行计算。所以一段TensorFlow代码一般包括两个部分， 构建计算图，以及运行计算图。
TensorFlow的系统结构以C API为界，将整个系统分为「前端」和「后端」两个子系统：
- 前端系统：提供编程模型，负责构造计算图；
- 后端系统：提供运行时环境，负责执行计算图。
系统架构 然后我们看一段TensorFlow代码，它阐述了一个完整的从前端到后端的执行过程：
import tensorflow as tf
import numpy as np
"""
构造计算图，此时工作由前端完成
"""
a = tf.constant (3)
b = tf.constant (2)
c = a + b
"""
建立Session
"""
sess = tf.Session ()
"""
交给后端执行
"""
print (sess.run(c))我们再输出一些信息，来证明a b和c都只是张量，而不是计算的结果
import tensorflow as tf
import numpy as np
"""
构造计算图，此时工作由前端完成
"""
a = tf.constant (3)
b = tf.constant (2)
c = a + b
print ("a is", a)
print ("b is", b)
print("c is", c)
"""
建立Session
"""
sess = tf.Session ()
print(sess)
"""
交给后端执行
"""
print (sess.run(c))
""" 输出：
a is Tensor("Const:0", shape=(), dtype=int32)
b is Tensor("Const_1:0", shape=(), dtype=int32)
c is Tensor("add:0", shape=(), dtype=int32)
<tensorflow.python.client.session.Session object at 0x00000182C14589E8>
5
"""从代码中我们可以看到，在执行c = a + b时，TensorFlow并没有开始计算，而只是生成了它的计算图。通过计算图，TensorFlow可以知道，c是怎么得到的。直到执行sess.run(c)，TensorFlow才根据这个计算图得到c的具体值。
session的使用
显示调用session
"""
手动生成，显式调用，手动关闭session。
这种方式如果在后端执行时遇到错误，程序就会在session没关闭的情况下退出，导致内存泄漏。
"""
from __future__ import print_function,division
import tensorflow as tf
a=tf.constant(2.)
b=tf.constant(5.)
c=a*b
sess=tf.Session()
print(sess.run(c))
sess.close()"""
这种使用上下文管理器的方式，会在程序离开该代码段时自动释放资源，防止内存泄漏
"""
# Using the context manager.
with tf.Session() as sess:
sess.run(...)尽管用上下文管理器可以防止内存泄漏，我们仍需在调用时显式指定session(sess.run)。
隐式调用session
"""
由于调用了sess.as_default()，在with代码段内，默认session已被指定为sess。
这样当我们要计算某个张量的具体值时，只需像c.eval()这样调用即可，此时的session就默认使用sess。而不用显式地调用sess.run(c)。
当然，就算要调用sess.run(c)也完全可行，两者的效果是等价的。
"""
import tensorflow as tf
c = tf.constant(3)
sess = tf.Session()
with sess.as_default():
print(tf.get_default_session() is sess) # True
print(c.eval()) # 3"""
如下展示了默认session在多个session间切换的方式。
"""
import tensorflow as tf
c = tf.constant(3)
sess = tf.Session()
sess2 = tf.Session()
with sess.as_default(): # sess为默认session
print(c.eval())
# ...
with sess2.as_default(): #sess2为默认session
print(c.eval())还有另一种方法：使用sess = tf.InteractiveSession()，如此可以省去注册sess为默认session的过程。
"""
省去注册sess为默认session的过程，有利于Jupyter NoteBook等交互式环境的体验。
"""
import tensorflow as tf
sess = tf.InteractiveSession()
# print(result.val())
sess.close()graph的调用
在没有指定graph时，TensorFlow会隐式地构建一个graph作为默认graph。通过graph.as_default()可以指定默认的graph。如下代码证明了这一点。
"""
在with代码段外，使用的是TensorFlow自己构建的graph
"""
import tensorflow as tf
import numpy as np
g = tf.Graph()
with g.as_default():
# Define operations and tensors in `g`.
c = tf.constant(30.0)
print(c.graph is g) # True
print(tf.get_default_graph() is g) # False神经网络的概念理解
遇到问题
The TensorFlow library wasn't compiled to use FMA instructions,
but these are available on your machine and could speed up CPU computations.