簡介

本文旨在知道您使用低級別TensorFlow API（TensorFlow Core）開始編程。您可以學習執行以下操作：

• 管理自己的TensorFlow程序（tf.Graph）和TensorFlow運行時（tf.Session），而不是依靠Estimator來管理它們
• 使用tf.Session運行TensorFlow操作
• 在此低級別環境中使用高級別組件（數據集、層和feature_columns）
• 構建自己的訓練循環，而不是使用Estimator提供的訓練循環

我們建議盡可能使用高階的API構建模型。以下是TensorFlow Core為何很重要的原因：

• 如果您能夠使用低階TensorFlow操作，實驗和調試都會更直接
• 在使用高階的API時，能夠理解其內部的工作原理

設置

在使用本教程之前，請先安裝TensorFlow。

要充分理解本指南中的內容，您應當具備以下方面的知識：

• 如何使用Python編程
• 對陣列有所了解
• 理想情況下，最好對機器學習有一定的了解

您隨時啟動python，並按照以下演示進行操作。運行以下行來設置你的python環境：

1 from __future__ import absolute_import
2 from __future__ import division
3 from __future__ import print_function
 
4 
5 import numpy as np
6 import tensorflow as tf

張量值

TensorFlow的核心數據單位是張量。一個張量由一組形成陣列（任意維數）的原始值組成。張量的階是它的維數，而它的形狀是一個整數元組，指定了陣列每個維度的長度。以下是張量值的一些示例：

1 3. # a rank 0 tensor; a scalar with shape [],
2 [1., 2., 3.] # a rank 1 tensor; a vector with shape [3]
3 [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3]
 

4 [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3]

TensorFlow使用numpy陣列來表示張量值。

TensorFlow Core演示

您可以將TensorFlow Core程序看作由兩個相互獨立的部分組成：

1. 構造計算圖（tf.Graph）
2. 運行計算圖（tf.Session）

圖

計算圖是排列成一個圖的一系列TensorFlow指令。圖由兩種類型的對象組成：

• 操作（簡稱“op”）：圖的節點。操作描述了消耗和生成張量的計算。
• 張量：圖的邊。它們代表將流經圖的值。大多數TensorFlow函數會返回tf.Tensors。

重要提示：tf.Tensors 不具有值，它們只是計算圖中元素的手柄。

我們來構建一個簡單的計算圖

TensorFlow低階API（一）—— 簡介