0.tensorflow中的模型运行基础

tensorflow的运行机制属于定义和运行相分离，在操作层面可以抽象成两种：模型构建和模型运行。

在模型构建中的常见概念：

　　张量(tensor)：数据，即某一类型的多为数组

　　变量(Variable)：常用于定义模型中的参数，是通过不断训练得到的值

　　占位符(placeholder)：输入变量的载体，也可以理解成模型的参数

　　图中的节点操作(operation，op)：即一个op获得0个或多个tensor，执行得到，输出得到的tensor

计算图代表一个计算任务，在模型运行的环节中，图会在会话中被启动，session将图中的op分发到CPU或GPU子类的设备上，同时提供执行op的方。这些方法执行后，将产生tensor返回，在python中返回的是numpy的ndarray对象，在C/C++中返回的tensor是TensorFlow：：Tensor实例

session与图交互过程中还定义了下面两种数据流向机制：

　　注入机制(feed)：通过占位符模型传入数据

　　取回机制(fetch)：从模型中得到结果

import tensorflow as tf

hello = tf.constant('hello world')
sess = tf.Session()
print(sess.run(hello))
sess.close()

建立session，在session中输出hello，world，通过run方法得到hello的值，下面使用with session的作用

# /usr/bin/python
# -*- encoding:utf-8 -*-

import tensorflow as tf
import numpy as np

a = tf.constant(4)
b = tf.constant(2)

with tf.Session() as sess:
    print("相加: a + b ", sess.run(a+b))
    print("相乘: a * b ", sess.run(a*b))

with session的用法是最常见的，它使用python中的with语法，即当程序结束时，会自动关闭session，不需要写close。

下面演示注入机制，使用注入机制，将具体的实参注入到相应的placeholder中。feed只在调用的方法内有效，方法结束后feed就会自动消失。

import tensorflow as tf
import numpy as np

a = tf.placeholder(tf.int32)
b = tf.placeholder(tf.int32)
add = tf.add(a, b)
mul = tf.multiply(a, b)

with tf.Session() as sess:
    print("相加: ", sess.run(add, feed_dict={a:3, b:2}))
    print("相乘: ", sess.run(mul, feed_dict={a:4, b:6}))

构建session的其他方法

交互式的session方式

通常是在交互的环境下使用，具体的用法和with session类似，代码如下：

sess = tf.InteractiveSession()

Supervisor方式：这种方法可能会更高级些，使用的时候也更加的复杂，可以自动的管理session中的具体任务，比如，载入/载出检查点文件，写入tensorboard等，另外该方式还支持分布式的训练任务部署。