深度學習|費解的tensorflow
學過Python的小夥伴都會覺得，python的語法簡單，邏輯清晰。雖然tensorflow是python的一個庫（並不是標準庫），但是使用並不簡單，你可能會被tensorflow的奇怪語法設計困惑，所以本文章叫做 費解的tensorflow ，希望通過本文，讀者可以更好的瞭解tensorflow。
程式設計必備hello world
學習任何程式語言，可能上來都是列印輸出下hello world，用python很簡單，我們一行程式碼就可以了。
print('hello world')
就算是先定義為變數，我們也只是需要2行程式碼。
a = 'hello world' print(a)
那我們用tensorflow來寫，需要3行，程式碼不是很多，但是看上去就是很費解。
a = tf.constant('hello world')
sess = tf.Session()
print(sess.run(a))
那我們就以這個簡單程式碼，來看看tensorflow的語法。
計算圖
如果把上面程式碼抽象出來，其實就是 建立計算圖 和 執行計算圖 的完整過程。當然讀者就會問，什麼是計算圖？其本質就是全域性資料結構：是一個有向圖，用於捕獲有關如何計算的指令。概念還是比較生硬，圖那我就以流程圖為例，流程中的方框（節點）就是我們tensorflow的定義的資料，箭頭就是計算指令。
例如，下面程式碼，我們就定義了一個常量，在計算圖中就是給了他一個位置，他就是一個節點。列印輸出其說明：
- tensorflow張量
- 零維
- 資料型別
a = tf.constant(2)
print(a)
# Tensor("Const:0", shape=(), dtype=int32)
通過下面程式碼就可以算是完整的計算圖（有節點和計算）。
two_node = tf.constant(2) three_node = tf.constant(3) sum_node = two_node + three_node
會話
前面說到了是建立計算圖，接著我們就要執行計算圖，這樣程式碼才能執行。這裡就要提到一個新概念， 會話 。會話的作用是處理記憶體分配和優化，使我們能夠實際執行由計算圖指定的計算。簡單說，建立計算圖，通過會話，然後執行計算圖。
這就是為什麼tensorflow程式碼都有這個程式碼的原因了。
sess = tf.Session() sess.run()
回到hello world
我們重新在來看下hello world的程式碼。
a = tf.constant('hello world')
sess = tf.Session()
print(sess.run(a))
# hello world
- 第一行，我們建立計算圖，這裡我們是通過tf.constant來定義的，其為常量。
- 建立會話
- 執行計算圖
佔位符（placeholder）
前面的程式，我們沒有輸入，這樣就是隻會輸出同樣的東西。在python中，我們可以通過iput輸入資料。
在tf中，我們需要先定義佔位符，然後用feed_dict方法傳入資料，程式碼如下：
a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
c = a + b
with tf.Session() as sess:
print(sess.run([a,b,c],feed_dict={a:5,b:8}))
# [array(5), array(8), 13]
變數
前面，我們用tf.constant定義了常量，用佔位符（placeholder）用於輸入，最後我們看看變數的定義。
說變數之前，我們再來看看tensorflow這個單詞，其實他是分為 tensor（張量）和flow（流） 。變數在tensorflow就是張量的意思。
這裡我們定義一個一維張量：
a = tf.Variable([0.2,0.4,0.5])
接著如果我們建立會話，執行程式會報錯。我們需要初始化變數，這裡我們不講解底層的原因，我們只需要記住，用到變數加上下面的程式碼初始化即可。
sess = tf.Session() init = tf.global_variables_initializer() sess.run(init) print(sess.run(a)) # [0.2 0.4 0.5]
tensorboard
最後，我們視覺化下我們的計算圖。
a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
c = a * b
with tf.Session() as sess:
print(sess.run([a,b,c],feed_dict={a:5,b:8}))
writer = tf.summary.FileWriter('log/test1',sess.graph)
writer.close()
接著我們開啟程式碼所在環境，輸入一下程式碼。
tensorboard --logdir=G:\我的Python專案\深度學習\deeplearn\log\test1
在瀏覽器中輸入 http://localhost:6006
總結
本文通過最簡單的hello world程式碼，詳細講解了tf的語法。我們需要記住，整個過程就是建立和執行計算圖的流程。