我无法理解Tensorflow系统

Question

我无法理解Tensorflow系统。 首先，我写了

#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)

并打印5。 其次，我写了

#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)

并打印出Tensor（“Add：0”，shape =（），dtype = int32）。 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add方法。但是，在Tensorflow的情况下，它似乎有所不同。 为什么这部分

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

必要？ 这部分有什么功能？

Answer 1

我建议阅读TensorFlow的官方Getting Started with TensorFlow指南，以了解该库的核心概念，例如这里似乎存在的问题：

每个TensorFlow程序由两部分组成：

1. 构建计算图。
2. 运行计算图。

现在，什么是“计算图”？在TensorFlow中，您可以指定在输入上执行的一系列操作。这一系列操作是您的“计算图”。要理解这一点，让我们看一些例子：

• 简单补充：让我们看看你的例子，你的代码是

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

  这会在图形中创建两个常量节点，并创建第二个添加它们的节点。从图形上看，这看起来像：

  

• 为了使它更复杂一点，我们假设你有一个输入x，并希望为它添加一个常量3。然后你的代码将是：

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

  ，您的图表是

  

在这两个示例中，这是程序的第一部分。到目前为止，我们只定义了计算图应该如何看，即我们有什么输入，输出什么，以及所需的所有计算。

但是：到目前为止还没有进行任何计算！在第二个示例中，您甚至不知道输入x是什么 - 只是它将是{{1 }}。 如果你有GPU，你会发现TensorFlow还没有触及GPU。即使你有一个拥有数百万个训练图像的巨大神经网络，这个步骤也会在几毫秒内完成，因为不需要进行“真正的”工作。

现在是第二部分：正在运行我们在上面定义的图表。这是工作的地方！ 我们通过创建float32来启动TensorFlow，然后我们可以通过调用tf.Session 运行任何内容。

sess.run()

在第二个例子中，我们现在必须告诉TensorFlow我们的值with tf.Session() as sess: result = sess.run(add_op) print(result) 应该是什么：

x

tl; dr：每个TensorFlow程序都有两部分：1。构建计算图，以及2.运行此图。使用with tf.Session() as sess: result = sess.run(add_op, {x: 5.0}) print(result) ，您只需定义图表，但尚未执行任何添加。要运行此图表，请在第一段代码中使用tf.add。