5.3.1 TensorFlow概述
TensorFlow是一个采用数据流图（Data Flow Graphs），用于数值计算的开源软件库。节点（Node）和边（Edge）是TensorFlow构建数据流图的基本元素。节点在图中表示数学操作；边则表示在节点间相互联系的多维数据数组，即张量（Tensor）。
TensorFlow最基本的一次计算流程通常是这样的：首先接受N个固定格式的数据输入，然后通过特定的函数（处理），最后将其转化为N个张量格式的输出。
一般来讲，某次计算的输出很可能是下一次计算的（全部或部分）输入。整个计算过程其实就是一个个Tensor数据的流动过程，张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。在其中，TensorFlow将这一系列的计算流程抽象为一张数据流图（Data Flow Graph）。
1）数据流图
简单来说，数据流图（也称为计算图）就是在逻辑上描述一次机器学习计算的过程。数据流图用“节点”（Node）和“边”（Edge）的有向图来描述数学计算。“节点”一般用来表示施加的数学操作，但也可以表示数据输入（input）的起点/输出（output）的终点，或者是读取/写入持久变量（persistent variable）的终点。“边”表示“节点”之间的输入/输出关系。这些数据“边”可以传输“张量”（Tensor）。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。下面以图5⁃17为例，来说明TensorFlow的几个重要概念。
（1）节点
在数据流图中，节点通常以圆、椭圆或方框表示，代表对数据的运算或某种操作。例如，在图5⁃17中，就有5个节点，分别表示输入（input）、乘法（mul）和加法（add）。
图5⁃17 数据流图
（2）边
数据流图是一种有向图，“边”通常用带箭头线段表示，实际上，它是节点之间的连接。指向节点的边表示输入，从节点引出的边表示输出。输入可以是来自其他数据流图，也可以表示文件读取、用户输入。输出就是某个节点的“操作（Operation，下文简称Op）”结果。在图5⁃17中，节点c接受两个边的输入（2和4），输出乘法的（mul）结果8。
（3）张量
Tensorflow中所有的输入输出变量都是张量，而不是基本的int、double这样的类型，即使是一个整数1，也必须被包装成一个0维的、长度为1的张量［1］。也就是说，在TensorFlow中，所有计算数据的格式，都是一个n维数组（即张量），如t = ［［1， 2， 3］， ［4， 5， 6］， ［7， 8， 9］］，就是一个2维张量。
一个张量和一个矩阵差不多，可以被看成一个多维的数组，从最基本的一维到N维都可以。张量拥有阶、形状和数据类型。其中，形状可以被理解为长度。例如，一个形状为2的张量就是一个长度为2的一维数组，而阶可以被理解为维数。表5⁃1是张量和数学矩阵的对应关系，张量可以看成向量和矩阵的衍生。向量是一维的，矩阵是二维的，而张量可以是任何维度。
表5⁃1 张量与矩阵对应关系
（4）操作
操作就是数据流图中的一个节点，代表一次基本的操作过程。
（5）会话（Session）
会话负责管理协调整个数据流图的计算过程。光有数据流图还不够，如果想执行数据流图所描述的计算，还得配备一个专门的会话，来负责图计算，数据流图必须在会话中被启动，图是会话类型的一个成员。会话的主要任务是在图运算时分配CPU或GPU。(https://www.daowen.com)
（6）执行（Runner）
在建立数据流图之后，必须使用会话中的Runner来运行图，才能得到结果。在运行图时，需要为所有的变量和占位符赋值，否则就会报错。
在本质上，TensorFlow的数据流图就是一系列链接在一起的函数构成的，每个函数都会输出若干个值（0个或多个），以供其他函数使用。在图5⁃17中，a和b是两个输入节点（input）。这类节点并非可有可无，它的作用是传递输入值，并隐藏重复使用的细节，从而可对输入操作进行抽象描述。
2）TensorFlow特征
TensorFlow就是一个机器学习库，图5⁃18罗列了2016年之前来发布的用于机器学习库时间线，可以看出，除TensorFlow外，还有很多机器学习库，如Torch、Theano、Caffe和MXNet等。它们都具有一些共性：如自动求导、开源、支持多种CPU/GPU、拥有预训练模型、支持常用的神经网络（NN）架构，如递归神经网络（RNN）、卷积神经网络（CNN）和深度置信网络（DBN）等。
图5⁃18 机器学习工具演变
相对其他机器学习库，TensorFlow则还有以下特点：
①支持所有流行语言，如Python、C++、Java、R和Go。
②可以在多种平台上工作，甚至是移动平台和分布式平台。
③它受到所有云服务（AWS、Google和Azure）的支持。
④TensorFlow将Keras（—种高级神经网络API）整合。
⑤与Torch/Theano比较，TensorFlow拥有更好的计算图表可视化。
⑥允许模型部署到工业生产中，并且容易使用。
⑦有非常好的社区支持。
⑧TensorFlow不仅仅是一个软件库，它是一套包括TensorFlow、TensorBoard和TensorServing的软件。
