我無法理解Tensorflow系統

Question

我無法理解Tensorflow系統。 首先，我寫

#coding:UTF-8 

from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function 

import tensorflow as tf 

const1 = tf.constant(2) 
const2 = tf.constant(3) 
add_op = tf.add(const1,const2) 

with tf.Session() as sess: 
    result = sess.run(add_op) 
    print(result) 

並將其打印出來5. 其次，我寫

#coding:UTF-8 

from __future__ import absolute_import 
from __future__ import division 
from __future__ import print_function 

import tensorflow as tf 

const1 = tf.constant(2) 
const2 = tf.constant(3) 
add_op = tf.add(const1,const2) 
print(add_op) 

並將其打印出來張量（ 「地址：0」，形狀=（），D型= int32類型）。 我無法理解這個系統。 我使用Python和其他語言，所以我認爲tf.add()方法是添加方法。但是，在Tensorflow的情況下，它似乎不同。 這部分爲什麼要

with tf.Session() as sess: 
    result = sess.run(add_op) 
    print(result) 

有必要嗎？ 這部分有什麼功能？

Answer 1

我建議閱讀官方Getting Started with TensorFlow引導TensorFlow的去了解圖書館的核心概念，如這似乎是這裏的問題之一：

每TensorFlow方案由兩個部分組成：

1. 構建計算圖。
2. 運行計算圖。

現在什麼是「計算圖」？在TensorFlow中，您可以指定一系列在您的輸入上執行的操作。這一系列操作是你的「計算圖」。要理解的是，讓我們看看一些例子：

• 簡單相加：讓我們來看看你的榜樣，你的代碼是

  const1 = tf.constant(2) 
  const2 = tf.constant(3) 
  add_op = tf.add(const1,const2) 
  

  這在圖中創建兩個固定節點，並創建第二個節點它添加了它們。從圖形上看，這看起來像：

  

• 爲了使它更有點複雜，可以說你有一個輸入x並希望恆定3添加到它。那麼你的代碼將是：

  const1 = tf.constant(2) 
  x = tf.placeholder(tf.float32) 
  add_op = tf.add(const1,x) 
  

  和你的圖形是

  

在這兩個例子中，這是該計劃的第一部分。到目前爲止，我們只定義了我們的計算圖表應該是什麼樣的，即我們有什麼輸入，輸出什麼，以及所需的所有計算。

但是：到目前爲止沒有進行過任何計算！在第二個示例中，您甚至不知道輸入的內容是x，只是它將是float32。 如果你有一個GPU，你會注意到TensorFlow甚至還沒有觸及GPU。即使你有一個擁有數百萬訓練圖像的巨大神經網絡，這個步驟也只需幾毫秒，因爲沒有「真正的」工作需要完成。

現在來第二部分：運行我們上面定義的圖。這是工作發生的地方！ 我們通過創建tf.Session來啓動TensorFlow，然後我們可以通過調用sess.run()運行任何東西。

with tf.Session() as sess: 
    result = sess.run(add_op) 
    print(result) 

在第二個例子，我們現在要告訴我們的TensorFlow值x應該是什麼：

with tf.Session() as sess: 
    result = sess.run(add_op, {x: 5.0}) 
    print(result) 

TL;博士：每TensorFlow方案有兩個部分：1，建立一個計算圖表，和2.運行這個圖表。用tf.add您只能定義圖表，但不會執行添加。要運行此圖，請使用sess.run()，與您的第一件代碼一樣。