博主準備開始學習Tensorflow，將自己學到的東西總結出來，既能夠加深記憶，並且便於複習，如果能夠幫助到別人那更是再好不過了。

隨著深度學習的快速發展，深度學習工具也有很多。主流的深度學習框架包括Tensorflow，Caffe，Theano，Torch等等，但是因為Tensorflow的內部特性以及谷歌的支援，使得將來的趨勢以及資源都會向Tensorflow轉，因此Tensorflow是未來深度學習框架的趨勢。

本文將介紹Tensorflow的主要依賴包，計算模型，資料模型和會話模型幾個Tensorflow基礎知識點。

一、Tensorflow的主要依賴包

Tensorflow有很多依賴包，但是最主要的兩個工具包分別是Protocol Buffer和Bazel。

1. Protocol Buffer

Protocol Buffer是谷歌開發的處理結構化資料的工具。那麼什麼是處理結構化資料呢？其實結構化資料就是具備多種屬性的資料，比如一個使用者資訊可以包括名字、ID、E-mail地址等不同屬性，那麼它就是一個結構化資料。當需要對這些資料進行傳輸時，就要將它們序列化。序列化就是能夠把結構化的資料變為資料流的格式，即字串，如何將結構化的資料序列化，並能夠從序列化的資料中還原為結構化資料，統稱為結構化資料，這就是Protocol Buffer解決的主要問題。

XML和JSON是兩種比較常用的結構化資料處理工具，比如XML資料的格式為：

<user
 
>
    <name>張三</name>
    <id>12345</id>
    <email>[email protected]</email>

同樣的資料，JSON的格式為：

{
    “name": "張三",
    "id": "12345",
    "email": "[email protected]",
}

Protocol Buffer格式的資料和XML或者JSON格式的資料有比較大的區別。首先，Protocol Buffer序列化之後得到的資料不是可讀的字串，而是二進位制流。其次，XML或JSON格式的資料資訊都包含在序列化之後的資料中，不需要任何其他資訊就能還原序列化之後的資料。但使用Protocol Buffer時需要先定義資料的格式，還原一個序列化之後的資料需要使用這個定義好的資料格式。因此，Protocol Buffer序列化出來的資料要比XML格式小3到10倍，解析時間快20到100倍。

message user{
    optional string name = 1;
    required int32 id = 2;
    repeated string email = 3;
}

Protocol Buffer定義資料格式的檔案儲存在.proto檔案中。每一個message代表了一類結構化資料，這裡面有三種屬性，必須的，可選的，可重複的。若一個屬性是必須的，那麼所有這個message的例項都需要有這個屬性；若是可選的，則這個屬性可以取值為空；若是可重複的，則這個屬性的取值可以是一個列表。

2. Bazel

Bazel是谷歌開源的自動化構建工具，谷歌內部絕大部分應用都是通過它來編譯的。

專案空間是Bazel的一個基本概念。一個專案空間可以簡單理解為一個資料夾，這個資料夾中包含了編譯一個軟體所需要的原始碼以及輸出編譯結果的軟連線地址。一個專案空間內可以只包含一個應用，也可以包含多個應用。一個專案空間所對應的資料夾是這個專案的根目錄，在這個根目錄中需要有一個WORKSPACE檔案，此檔案定義了對外部資源的依賴關係。空檔案也是一個合法的WORKSPACE檔案。

二、TensorFlow計算模型——計算圖

1. 計算圖的概念

Tensor和Flow是TensorFlow最重要的兩個概念。其中Tensor表示張量，即資料模型，將在後面介紹。而Flow表示流，直觀表達了張量之間通過計算相互轉化的過程，是TensorFlow的計算模型。

計算圖中每一個節點都是一個運算，每一條邊代表計算之間的依賴關係。Tensorflow的計算一般分為兩個階段，第一階段定義計算圖中所有的計算，第二階段為執行計算。以下程式碼給出了計算定義階段樣例：

import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
res = a + b 

程式會自動維護一個預設的計算圖，通過tf.get_default_graph()函式可以獲取當前預設的計算圖。

print(a.graph is tf.get_default_graph()) # 輸出為True

除了預設的計算圖，Tensorflow支援通過tf.Graph函式來生成新的計算圖。不同計算圖上的張量和運算都不會共享。計算圖不僅可以隔離張量和計算，還提供了管理張量和計算的機制，計算圖可以通過tf.Graph.device函式來指定執行計算的裝置。

三、TensorFlow的資料模型——張量

1. 張量的概念
張量可以被簡單理解為多維陣列，其中零階張量表示標量，也就是一個數；一階張量表示為一個一維陣列；第n階張量表示為n維陣列。

張量在TensorFlow中的實現不是直接採用陣列的形式，它只是對TensorFlow中運算結果的引用。張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。例如：

import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
res = tf.add(a, b, name="add")
print res

'''
輸出：Tensor("add:0", shape=(2,),dtype=float32)
'''

TensorFlow中的張量和Numpy中的陣列不同，TensorFlow的計算結果不是一個具體的數字，而是一個張量的結構。一個張量儲存了三個屬性：名字、維度和型別。

2. 張量的使用

張量的使用可以分為兩大類。

第一類是對中間計算結果的引用，這樣可以提高程式碼的可讀性。

# 使用張量記錄中間結果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
res = a + b

# 直接計算向量的和，可讀性較差
res = tf.constant([1.0, 2.0], name="a") + tf.constant([2.0, 3.0], name="b")

第二類是當計算圖構造完成後，張量可以用來獲得計算結果，得到真實的數字。下面介紹的會話就可以得到這些具體的數字。

四、 TensorFlow執行模式——會話

前面介紹了TensorFlow如何組織資料和運算的，本節將介紹如何使用TensorFlow中的會話來執行定義好的運算。

會話模式有兩種，第一種需要明確呼叫會話生成函式和關閉會話函式。

sess = tf.Session() # 建立一個會話
sess.run(...) 
sess.close() # 關閉會話使得本次執行中使用到的資源可以被釋放

使用這種模式，需要明確呼叫Session.close函式關閉會話並釋放資源。但當程式因為異常而退出時，關閉會話的函式可能就不會被執行從而導致資源洩漏。為了解決異常退出時資源釋放的問題，有一種新的執行模式——上下文管理器來使用會話。

# 建立會話，並通過Python中的上下文管理器來管理這個會話
with tf.Session() as sess:
    sess.run(...)
# 不需要呼叫函式關閉會話

這種方式既解決了因為異常退出時資源釋放問題，又解決了忘記呼叫Session.close函式而產生的資源洩漏。

TensorFlow也可以通過設定預設會話計算張量的取值

sess = tf.Session()
with sess.as_default():
    print(res.eval())