Tensorflow 中文官網教程–2.0版本的官方教程
TensorFlow教程：TensorFlow快速入門教程（非常詳細）
pytorch Vs tensorflow

Tensorflow來源： 由較低級別的符號計算庫(例如： Theano) 和 較高級別的網絡規范庫(例如：Blocks 和 Lasagne)組合而成。

TensorFlow的劣勢： 1.x API混亂冗余；2.x重點關注tf.keras，棄用其他API。但是1.x 和2.x 的兼容性堪憂。

TensorFlow的計算方式： 創建數據流圖，將數據放入數據流圖中計算。數據流圖中的節點表示數學操作(op:operation)，連線表示tensor 流動的通道。每個節點獲得若干個tensor，執行計算后產生若干個tensor。數據流圖在會話(Session)中啟動運行。

import tensorflow as tf

1.Graph對象

計算圖–可以認為是詳細的流程圖，其包括每一步的操作[op]和變量名字。
顯式構建，graph構造函數無需接受任何參數

g = tf.Graph()
with g.as_default():#創建一些OP；它們將被添加到Graph的對象g中a = tf.mul(2,3)

隱式構建，當Tensorflow庫被加載時，它會自動的創建一個Graph對象，并將 其作為默認的數據流圖。獲取默認數據流圖具柄：

default_graph = tf.get_default_graph

2.Session對象

session負責分配資源，計算operation， 得出結果。 Session構造函數可接受3個參數。

1. target 指定執行引擎，默認值為空字符串。在分布式訓練中，用于連接不同的tf.train.server.
2. graph 指定將要加載的Graph 對象， 默認值None(使用默認數據流圖)。
3. config 指定session 對象的配置參數，例如CPU、GPU使用數目、數據流圖優化參數、日志選項等。

使用run 來運行相應的計算操作，得到fetches中的張量值。tf.Session.run()函數返回值為fetches指定的執行結果。如果fetches是一個元素就返回一個值；若fetches是一個list，則返回list的值，若fetches是一個字典類型，則返回和fetches同keys的字典。

session.run( fetches, feed_dict=None, options=None, run_metadata=None)

Session的開啟涉及具體運算，比較消耗資源。在使用結束后，建議關閉Session。
-> 手動關閉關閉session

a = tf.constant(1, dtype=tf.int8)
b = tf.constant(2, dtype=tf.int8)
res= a + b
sess = tf.Session()             # 加載默認數據流圖
sess.run(res)					# 執行運算
sess.close()					# 手動關閉session

->自動關閉session 使用with來限定session 的作用范圍

a = tf.constant(1, dtype=tf.int8)
b = tf.constant(2, dtype=tf.int8)
res= a + b
with tf.Session() as sess:      # 運算結束后session自動關閉sess.run(res)               # 執行運算res.eval()                  # tensor eval() 方法和 sess.run(res)效果一致

參考文檔：TensorFlow中Session的使用

3.Variabels變量

Variabels 類型的參數可通過梯度下降更新、訓練。必須明確的初始化而且可以通過Saver保存到磁盤上。
定義Variabels 類型的參數： 使用tf.Variable(tensor)封裝相應的tensor

weights  = tf.Variable(tf.random_normal([784, 200], stddev=0.35),name="weights")
biases  = tf.Variable(tf.zeros([200]), name="biases")

在graph 中若含有variabels 類型的變量，必須使用在session中顯式調用 初始化函數。
-> 全量variable 初始化 tf.global_variables_initializer()

# 含有tf.Variable的環境下，因為tf中建立的變量是沒有初始化的，
# 在debug時還不是一個tensor，而是一個Variable變量類型
tensor = tf.Variable(tf.random_normal(shape=[10]))
init = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)  # initialization variablesprint(sess.run(tensor))

-> 部分variable 初始化 tf.variables_initializer(）

var1 = tf.Variable(0,name="initialize_me")
var2 = tf.Variable(1,name="no_initialization")
init = tf.variables_initializer([var1],name="init_var1")
with tf.Session() as sess:sess.run(init)

4. placeholders與feed_dict

tf.placeholder 創建占位符號，比如模型的輸入數據，其只有在訓練與預測時才會有值。賦值時，使用feed_dict 進行賦值操作。

import numpy as np 
x = tf.placeholder(tf.float32, shape=(10, 10))         # 10行10列
y = tf.matmul(x, x) # 矩陣乘
with tf.Session() as sess:  #print(sess.run(y))  # ERROR: 此處x還沒有賦值.  rand_array = np.random.rand(1024, 1024)  print(sess.run(y, feed_dict={x: rand_array}))  # Will succeed.  

5. tf.train.Saver() 模型參數保存、加載

v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
init = tf.initialize_all_variables()
# Add ops to save and restore all the variables.
saver = tf.train.Saver()# Later, launch the model, initialize the variables, do some work, save the variables to disk.
with tf.Session() as sess:sess.run(init)save_path = saver.save(sess, "/tmp/model.ckpt")print "Model saved in file: ", save_path

模型恢復時，variable 不需要初始化

v1 = tf.Variable(..., name="v1")
v2 = tf.Variable(..., name="v2")
saver = tf.train.Saver()# Later, launch the model, use the saver to restore variables from disk, and
# do some work with the model.
with tf.Session() as sess:saver.restore(sess, "/tmp/model.ckpt")print "Model restored."