深度学习框架 TensorFlow 介绍
1. 背景介绍
TensorFlow 是一款优秀的、应用广泛的深度学习框架。“Tensor”意为“张量”，“张量”表示多维矩阵，“Flow”意为“流动”，表示基于数据流图的计算。“TensorFlow”表示张量从数据流图的一端流动到另一端的计算过程。TensorFlow 跨平台性好，可以在三大主流的系统 Linux、Mac 和 Windows 下运行。TensorFlow 的核心语法包括：数据流图、可视化的 TensorBoard、会话（Session）等。
2. 数据流图
在机器学习中，一般来说，某次计算结果的输出可能是一下次计算的全部或者部分输入，整个计算过程可以看作是一个个张量的流动过程。在 TensorFlow 中，将这一系列的计算流程抽象为一张数据流图。数据流图主要包含两个基础元素： （1）节点 在数据流图中，节点表示某种操作或对数据的运算，通常用圆、椭圆或者方框来表示。 （2）边 在数据流图中，边表示节点之间的连接，由一条带箭头的线段表示。箭头指向节点的一端表示输入，从节点引出的一端表示输出。输入可以是用户的输入、文件的读入或者是其他的数据流图，输出代表的是某个节点“操作（Operation，Op）”的结果。
3. 可视化的 TensorBoard
TensorBoard 能够可视化机器学习的流程，绘制图像生成的定量指标图并且附加数据。在使用 TensorBoard 的时候，为了方便在 TensorBoard 读取数据，首先需要将TensorFlow 运行时的数据快照写到磁盘。利用名为 FileWriter 的 Python 类可以添加可视化的语句。当将数据写入指定路径下的文件之后，可用 TensorBoard 进行解析，指令为： tensorboard --logdir=日志文件路径； 除了“--logdir”参数之外，TensorBoard 还有其他启动参数，例如： （1）--part：可以设置 Web 端口号，默认为 6006。 （2）--event_file：指定的日志文件。 （3）--reload_interval：Web 服务后台重新加载数据的间隔，默认为 120 秒。 TensorBoard 除了可生成计算结构图，还可以生成以下四种概要数据： （1）标量数据：使用 tf.summary.scalar 算子。 （2）参数数据：使用 tf.summary.histogram 直方图算子。 （3）音频数据：使用 tf.summary.audio 算子。 （4）图像数据：使用 tf.summary.image 算子。
4. TensorFlow 中的 Session
TensoFlow 的内核使用 C++做后台，将前台与后台的连接称为“会话（Session）”。Session 包含 3 个参数：
（1）target：指定连接的执行引擎。
（2）graph：指定要在 Session 对象中参与计算的图。
（3）config：辅助配置 Session 对象所需要的参数。
当 Session 对象创建成功之后，需要触发 run()方法启动数据流图进行运算。
微信公众号：人工智能感知信息处理算法研究院
