3、TensorFlow基础（一） 设计思想与编程模型

1、TensorFlow系统架构

如图为TensorFlow的系统架构图：

　　TensorFlow的系统架构图，自底向上分为设备层和网络层、数据操作层、图计算层、API层、应用层，其中设备层和网络层，数据操作层，图计算层是TensorFlow的核心层。

　　网络通信层和设备层：

　　　　网络通信层包括个gRPC（google Remote Procedure Call Protocol）和远程直接数据存取（Remote DirectMemory Access，RDMA），这都是在分布式计算时需要用到的。设备管理层包括 TensorFlow 分别在 CPU、GPU、FPGA 等设备上的实现，也就是对上层提供了一个统一的接口，使上层只需要处理卷积等逻辑，而不需要关心在硬件上的卷积的实现过程。

　　数据操作层：

　　　　主要包括卷积函数、激活函数等操作

　　图计算层：

　　　　包含本地计算图和分布式计算图的实现

　　API 层和应用层

　　　　编程语言的实现与应用

2、设计理念

　　TensorFlow的设计理念主要体现在两个方面

　　　（1）、将图定义和图运算完全分开。
　TensorFlow 被认为是一个“符号主义”的库。我们知道，编程模式通常分为命令式编程（imperative style programming）和符号式编程（symbolic style programming）。命令式编程就是编写我们理解的通常意义上的程序，很容易理解和调试，按照原有逻辑执行。符号式编程涉及很多的嵌入和优化，不容易理解和调试，但运行速度相对有所提升。现有的深度学习框架中，Torch 是典型的命令式的，Caffe、MXNet 采用了两种编程模式混合的方法，而 TensorFlow 完全采用符号式编程。

　　符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量间的计算关系，最后需要对据流图进行编译，但此时的数据流图还是一个空壳儿，里面没有任何实际数据，只有把需要运算的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。

　　例如：

 t = 8+ 9 
print(t)

　　在传统的程序操作中，定义了 t 的运算，在运行时就执行了，并输出 17。而在 TensorFlow

中，数据流图中的节点，实际上对应的是 TensorFlow API 中的一个操作，并没有真正去运行：

import tensorflow as tf
t = tf.add(8,9)
print(t)
#输出  Tensor{"Add_1:0",shape={},dtype=int32}

（2）、TensorFlow 中涉及的运算都要放在图中，而图的运行只发生在会话（session）中。开启会话后，就可以用数据去填充节点，进行运算；关闭会话后，就不能进行计算了。因此，会话提供了操作运行和 Tensor 求值的环境。

　　例如：

import tensorflow as tf
#创建图
a = tf.constant([1.0,2.0])
b = tf.constant([3.0,4.0])
c = a * b
#创建会话
sess  = tf.Session()
#计算c
print(sess.run(c))#进行矩阵乘法，输出[3.,8.]
sess.close()

3、TensorFlow编程模型　

　　TensorFlow 是用数据流图做计算的，因此我们先创建一个数据流图（也称为网络结构图），
如图 下图 所示，看一下数据流图中的各个要素。

　　图 讲述了 TensorFlow 的运行原理。图中包含输入（input）、塑形（reshape）、Relu 层（Relulayer）、Logit 层（Logit layer）、Softmax、交叉熵（cross entropy）、梯度（gradient）、SGD 训练（SGD Trainer）等部分，是一个简单的回归模型。

　　它的计算过程是，首先从输入开始，经过塑形后，一层一层进行前向传播运算。Relu 层（隐藏层）里会有两个参数，即 W h1 和 b h1 ，在输出前使用 ReLu（Rectified Linear Units）激活函数做非线性处理。然后进入 Logit 层（输出层），学习两个参数 W sm 和 b sm 。用 Softmax 来计算输出结果中各个类别的概率分布。用交叉熵来度量两个概率分布（源样本的概率分布和输出结果的概率分布）之间的相似性。然后开始计算梯度，这里是需要参数 W h1 、b h1 、W sm 和 b sm ，以及交叉熵后的结果。随后进入 SGD 训练，也就是反向传播的过程，从上往下计算每一层的参数，依次进行更新。也就是说，计算和更新的顺序为 b sm 、W sm 、b h1 和 W h1 。

　　顾名思义，TensorFlow 是指“张量的流动”。TensorFlow 的数据流图是由节点（node）和边edge）组成的有向无环图（directed acycline graph，DAG）。TensorFlow 由 Tensor 和 Flow 两部分组成，Tensor（张量）代表了数据流图中的边，而 Flow（流动）这个动作就代表了数据流图中节点所做的操作

　　3.1、边

　　　　TensorFlow 的边有两种连接关系：数据依赖和控制依赖。其中，实线边表示数据依赖代表数据，即张量。任意维度的数据统称为张量。在机器学习算法中，张量在数据流图中从前往后流动一遍就完成了一次前向传播（forword propagation），而残差 从后向前流动一遍就完成了一次反向传播（backword propagation）。

　　注：在数理统计中，残差是指实际观测值于训练的估计值之间的差

　　　　还有一种特殊边，一般画为虚线边，称为控制依赖（control dependency），可以用于控制操作的运行，这被用来确保 happens-before 关系，这类边上没有数据流过，但源节点必须在目的节点开始执行前完成执行。常用代码：

tf.Graph.control_dependencies(control_inputs)

　　Tensorflow支持的张量的数据属性:

　　有关图及张量的实现的源代码均位于 tensorflow-1.1.0/tensorflow/python/framework/ops.py

　　3.2、节点

 　　　　图中的节点又称为算子，它代表一个操作（operation，OP），一般用来表示施加的数学运算，也可以表示数据输入（feed in）的起点以及输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。下表列举了一些 TensorFlow 实现的算子。算子支持表所示的张量的各种数据属性，并且需要在建立图的时候确定下来。

　　　与操作相关的代码位于 tensorflow-1.1.0/tensorflow/python/ops/目录下。以数学运算为例，代码为上述目录下的 math_ops.py，里面定义了 add、subtract、multiply、scalar_mul、div、divide、truediv、floordiv 等数学运算，每个函数里面调用了 gen_math_ops.py 中的方法，这个文件是在编译（安装时）TensorFlow 时生成的，位于 Python 库 site-packages/tensorflow/python/ops/gen_math_ops.py 中，随后又调用了 tensorflow1.1.0/tensorflow/core/kernels/下面的核函数实现。再例如，数据运算的代码位于 tensorflow-1.1.0/tensorflow/python/ops/array_ops.py 中，里面定义了concat、split、slice、size、rank 等运算，每个函数都调用了 gen_array_ops.py 中的方法，这个文件也是在编译TensorFlow 生成的，位于Python 库site-packages/tensorflow/python/ops/gen_array_ops.py中，随后又调用了 tensorflow-1.1.0/tensorflow/core/kernels/下面的核函数实现。

　　3.3、图

　　　　把操作任务描述成有向无环图。那么，如何构建一个图呢？构建图的第一步是创建各个节

点。具体如下：

import tensorflow as tf
# 创建一个常量运算操作，产生一个 1×2 矩阵
matrix1 = tf.constant([[3., 3.]])
# 创建另外一个常量运算操作，产生一个 2×1 矩阵
matrix2 = tf.constant([[2.],[2.]])
# 创建一个矩阵乘法运算 ，把 matrix1 和 matrix2 作为输入
# 返回值 product 代表矩阵乘法的结果
product = tf.matmul(matrix1, matrix2)

　　3.4、会话

　　　　启动图的第一步是创建一个 Session 对象。会话（session）提供在图中执行操作的一些方法。一般的模式是，建立会话，此时会生成一张空图，在会话中添加节点和边，形成一张图，然后执行。要创建一张图并运行操作的类，在 Python 的 API 中使用 tf.Session，在 C++ 的 API 中使用tensorflow::Session。示例如下：

with tf.Session() as sess:
result = sess.run([product])
print result

　　在调用 Session 对象的 run()方法来执行图时，传入一些 Tensor，这个过程叫填充（feed）；返回的结果类型根据输入的类型而定，这个过程叫取回（fetch）。

　　与会话相关的源代码位于 tensorflow-1.1.0/tensorflow/python/client/session.py。

　　会话是图交互的一个桥梁，一个会话可以有个图，会话可以修改图的结构，也可以往图中注入数据进行计算。因此，会话主要有两个 API 接口：Extend 和 Run。Extend 操作是在 Graph中添加节点和边，Run 操作是输入计算的节点和填充必要的数据后，进行运算，并输出运算结果。

 　　3.5、设备

　　　　设备（device）是指一块可以用来运算并且拥有自己的地址空间的硬件，如 GPU 和 CPU。TensorFlow 为了实现分布式执行操作，充分利用计算资源，可以明确指定操作在哪个设备上执行。具体如下：

with tf.Session() as sess:
# 指定在第二个 gpu 上运行
    with tf.device("/gpu:1"):
        matrix1 = tf.constant([[3., 3.]])
        matrix2 = tf.constant([[2.],[2.]])
        product = tf.matmul(matrix1, matrix2)        

　　与设备相关的源代码位于 tensorflow-1.1.0/tensorflow/python/framework/device.py

　　3.6、变量

 　　·　　变量（variable）是一种特殊的数据，它在图中有固定的位置，不像普通张量那样可以流动。例如，创建一个变量张量，使用 tf.Variable()构造函数，这个构造函数需要一个初始值，初始值的形状和类型决定了这个变量的形状和类型：

# 创建一个变量，初始化为标量 0
state = tf.Variable(0, name="counter")
#创建一个常量张量：
input1 = tf.constant(3.0)

　　TensorFlow 还提供了填充机制，可以在构建图时使用 tf.placeholder()临时替代任意操作的张量，在调用 Session 对象的 run()方法去执行图时，使用填充数据作为调用的参数，调用结束后，填充数据就消失。代码示例如下：

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
    print sess.run([output], feed_dict={input1:[7.], input2:[2.]})
# 输出 [array([ 14.], dtype=float32)]

　　与变量相关的源代码位于 tensorflow/tensorflow/python/ops/variables.py。

　　3.7、内核

　　　　我们知道操作（operation）是对抽象操作（如 matmul 或者 add）的一个统称，而内核（kernel）则是能够运行在特定设备（如 CPU、GPU）上的一种对操作的实现。因此，同一个操作可能会对应多个内核。

　　当自定义一个操作时，需要把新操作和内核通过注册的方式添加到系统中

原文：https://www.cnblogs.com/wanshuai/p/9208207.html