運作

我們先來看 Tensorflow 的運作流程：

• Python 前端透過 Tensorflow 核心執行系統把產生的 DAG 圖分配到不同的裝置，增加執行效率。

• Session 連結 Python 程式和 C++ Runtime ，並讓 Python 程式存取本機及遠端機器。

有向無環圖 DAG

全名爲 Directed acyclic graph ，是 Tensorflow 最重要的一個部分，負責把模型的細節生成出來，組成包含以下的基本元素

基本元素

• node
  數學計算
• edges
  資料的陣列,也就是 tensor

優勢

可移植性

1. 語言
2. 硬體

使用 Python 建立的模型可以轉換到 C++ 上做 低延遲預測，又或是模型可以在不同硬體(如電腦與手機)做轉換，這些都是 Tensorflow 在可移植性上面的優勢。

彈性

DAG 圖可以被產生、編譯、遠端執行、塞到很多裝置中。

最佳化

假設有兩個 node 都是 add，Tensorflow 會整合成同一個 node，這樣可以增加程式碼的效能。

圖會建立快取，因此可以執行多次。

Session

爲張量 z 賦值有兩種方式：

with tf.Session() as sess:
	print(sess.run(z))

with tf.Session() as sess:
	print(z.eval())

輸出結果都是相同的

Tensor

Slicing

x[列,行]

x[:,1] : 代表取得所有的列，第一行。

Reshape

tf.reshape():tf.reshape(x,[3,2])

把3列2欄的張量重新排列成2列3欄的張量

tf.get_variable()

Variable

1. 透過 get_variabl e建立變數
2. 透過參數初始化變數
3. 把變數當做張量操作來建立有向無環圖
4. 在 Session 內初始化變數
5. 賦值任何張量

Placeholder

tf.placeholder:概念像是 c 語言的宣告式，宣告完不用馬上賦值，等到執行期間再說。

模式

惰性求值(Lazy Evaluation)

1. 先建立有向無環圖(不會計算 c 的值)

c = tf.add(a,b)

2. 進入 Session (透過 run 函式進行計算)

session = tf.Session()
numpy_c = session.run(c, feed_dict=....)

Eager mode（急需 Debug 時使用的模式)

流程

1. import tf.eager
2. call enable_eager_execution() 確認使用 eager 模式
3. 做運算，並馬上顯示結果給你參考