我无法理解Tensorflow系统

Question

我无法理解Tensorflow系统。 首先，我写

#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) 

并将其打印出来5. 其次，我写

#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) 

并将其打印出来张量（ “地址：0”，形状=（），D型= int32类型）。 我无法理解这个系统。 我使用Python和其他语言，所以我认为tf.add()方法是添加方法。但是，在Tensorflow的情况下，它似乎不同。 这部分为什么要

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

有必要吗？ 这部分有什么功能？

Answer 1

我建议阅读官方Getting Started with TensorFlow引导TensorFlow的去了解图书馆的核心概念，如这似乎是这里的问题之一：

每TensorFlow方案由两个部分组成：

1. 构建计算图。
2. 运行计算图。

现在什么是“计算图”？在TensorFlow中，您可以指定一系列在您的输入上执行的操作。这一系列操作是你的“计算图”。要理解的是，让我们看看一些例子：

• 简单相加：让我们来看看你的榜样，你的代码是

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

  这在图中创建两个固定节点，并创建第二个节点它添加了它们。从图形上看，这看起来像：

  

• 为了使它更有点复杂，可以说你有一个输入x并希望恒定3添加到它。那么你的代码将是：

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

  和你的图形是

  

在这两个例子中，这是该计划的第一部分。到目前为止，我们只定义了我们的计算图表应该是什么样的，即我们有什么输入，输出什么，以及所需的所有计算。

但是：到目前为止没有进行过任何计算！在第二个示例中，您甚至不知道输入的内容是x，只是它将是float32。 如果你有一个GPU，你会注意到TensorFlow甚至还没有触及GPU。即使你有一个拥有数百万训练图像的巨大神经网络，这个步骤也只需几毫秒，因为没有“真正的”工作需要完成。

现在来第二部分：运行我们上面定义的图。这是工作发生的地方！ 我们通过创建tf.Session来启动TensorFlow，然后我们可以通过调用sess.run()运行任何东西。

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

在第二个例子，我们现在要告诉我们的TensorFlow值x应该是什么：

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

TL;博士：每TensorFlow方案有两个部分：1，建立一个计算图表，和2.运行这个图表。用tf.add您只能定义图表，但不会执行添加。要运行此图，请使用sess.run()，与您的第一件代码一样。