TIP

本文主要是介绍 TensorFlow-基础入门介绍 。

• TensorFlow 简介
• TensorFlow北大公开课：
  • 课程概述
  • 课程大纲
  • 证书要求
  • 参考资料
• 【----------------------------】
  • tensorflow的定义
  • tensorflow 网站
  • tensorflow的特性
  • tensorflow playground
  • tensorflow的基本概念
  • tensorflow写代码流程
• 【----------------------------】
• TensorFlow 2.0简介
• 知识树
• 1、TensorFlow 2.x vs 1.x
  • 1.1 TensorFlow发展历程
  • 1.2 为什么要学习TensorFlow
  • 1.3 TensorFlow 2.x vs 1.x
  • 1.4 TensorFlow 2.0 变化
• 2、Eager Execution
  • 2.1 Eager Execution优缺点
• 3、TensorFlow API
  • 3.1 低层TensorFlow API
  • 3.2 中层TensorFlow API
  • 3.3 高层TensorFlow API
  • 3.4 TensorFlow API 总结
• 4、资料来源
• 【----------------------------】
• TensorFlow基础总结
• 1.基础概念
• 2.Tensor
  • 2.1 数据结构
  • 2.2 稀疏张量（SparseTensor）
• 3.Operation
  • 3.1 Tensor创建函数
  • 3.2 Tensor转换函数
  • 3.3 逻辑判断
  • 3.4 数学函数
  • 3.5 聚合相关
  • 3.6 序列比较与索引提取
• 4.Graph
• 5.Session
• 附录
• 参考文章

TensorFlow 简介

• TensorFlow 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。

https://www.tensorflow.org/tutorials/?hl=zh-cnwww.tensorflow.org/tutorials/?hl=zh-cn (opens new window)

• TensorFlow 是一个用于研究和生产的开放源代码机器学习库。TensorFlow 提供了各种 API，可供初学者和专家在桌面、移动、网络和云端环境下进行开发。
• TensorFlow是采用数据流图（data　flow　graphs）来计算,所以首先我们得创建一个数据流流图,然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算. 节点（Nodes）在图中表示数学操作,图中的边（edges）则表示在节点间相互联系的多维数据数组, 即张量（tensor)。训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来。 张量（Tensor):张量有多种. 零阶张量为 纯量或标量 (scalar) 也就是一个数值. 比如 [1],一阶张量为 向量 (vector), 比如 一维的 [1, 2, 3],二阶张量为 矩阵 (matrix), 比如 二维的 [[1, 2, 3],[4, 5, 6],[7, 8, 9]],以此类推, 还有 三阶 三维的 … 张量从流图的一端流动到另一端的计算过程。它生动形象地描述了复杂数据结构在人工神经网中的流动、传输、分析和处理模式。

在机器学习中，数值通常由4种类型构成： （1）标量（scalar）：即一个数值，它是计算的最小单元，如“1”或“3.2”等。 （2）向量（vector）：由一些标量构成的一维数组，如[1, 3.2, 4.6]等。 （3）矩阵（matrix）：是由标量构成的二维数组。 （4）张量（tensor）：由多维（通常）数组构成的数据集合，可理解为高维矩阵。

Tensorflow中的数据流图（from官网）

• 使用TensorFlow的优点主要表现在如下几个方面：

（1）TensorFlow有一个非常直观的构架，顾名思义，它有一个“张量流”。用户可以很容易地看到张量流动的每一个部分（借助TensorBoard，在后面的章节会有所提及）。

（2）TensorFlow可轻松地在CPU/GPU上部署，进行分布式计算。

（3）TensorFlow跨平台性高，灵活性强。TensorFlow不但可以在Linux、Mac和Windows系统下运行，甚至还可以在移动终端下工作。

当然，TensorFlow也有不足之处，主要表现在它的代码比较底层，需要用户编写大量的代码，而且很多相似的功能，用户还不得不“重造轮子”。但“瑕不掩瑜”，TensorFlow还是以雄厚技术积淀、稳定的性能，一骑红尘，“笑傲”于众多深度学习框架之巅。

TensorFlow北大公开课：

TensorFlow北大公开课 https://www.icourse163.org/course/PKU-1002536002?tid=1002700003

TensorFlow北大公开课 (opens new window)

课程概述

课程会以投影的形式，帮你梳理tensorflow的用法，希望你用纸质笔记本记录下每个打着对勾的知识点；会用录屏的形式，带你编写代码，实现实际应用，希望你用电脑复现课程的案例。每次课后，助教会分享他的tensorflow笔记和源代码，帮你查漏补缺。

授课目标

学会使用Python语言搭建人工神经网络，实现图像分类。

课程大纲

第一讲 带着大家梳理人工智能领域的基本概念：比如什么是人工智能、什么机器学习、什么是深度学习，他们的发展历史是什么，能用他们做什么。课后，助教会带领大家安装Ubuntu系统、Python解释器 和 Tensorflow环境，把同学们的电脑进行改造，让它变得更专业。

第二讲 串讲python语法：课程将帮同学们在最短的时间内把python语法织成网，为后续课程扫清代码关；

第三讲 讲解Tensorflow的关键词，搭建神经网络：这节课会介绍张量、计算图、会话等概念，并用Python搭建你的第一个神经网络，总结出神经网络搭建的八股。

第四讲 讲解神经网络的优化：包括损失函数、学习率、滑动平均和正则化。

第五讲 讲解全连接网络：使用MNIST数据集，搭建全连接网络实现手写数字的识别。包括前向传播、反向传播、识别准确率输出和反向传播断点续训。

第六讲 讲解全连接网络应用：更改上一讲全连接网络的代码，现场手写一个数字，输出这个数字的值。

第七讲 讲解卷积神经网络：使用MNIST数据集，搭建卷积神经网络实现前向传播、反向传播、识别准确率输出和反向传播断点续训。

第八讲 讲解卷积神经网络应用：复现ImageNet数据集训练好的模型，实现特定图片的识别。

证书要求

满分100分，达到60分为合格，达到90分以上为优秀。

期中项目60分：编写Python代码，实现输入手写数字图片，输出预测的数值。识别准确率达到90%为合格：课程给出十张手写数字图片，每正确识别一张得6分。

期末项目40分：编写Python代码，复现卷积神经网络，输入一张图片，识别出图片的内容。识别准确率达90%为合格：课程给出十张图片，每正确识别一张得4分。

参考资料

《Tensorflow：实战Google深度学习框架》 郑泽宇，顾思宇 著，电子工业出版社

《深度学习》赵申剑，黎彧君，符天凡，李凯 译，人民邮电出版社

【----------------------------】

tensorflow的定义

• tensorflow是一个采用数据流图，用于数值计算的开源的软件库。本质上可以认为是一个数据库，tensorflow可以作为
• Tensor（张量）意味着N维数组，Flow（流）意味

tensorflow 网站

• 中文：https://tensorflow.google.cn/
• 英文：https://tensorflow.org/
• github：https://github.com/tensorflow/tensorflow

tensorflow的特性

• 高度灵活性：只要能将计算表示成为一个数据流图，那就可以使用tensorflow
• 可移植性：支持CPU和GPU，可以在台式机、服务器、手机端运算。现在只支持英伟达的GPU
• 求微分：Tensorflow内部实现了自动对于各种给定目标函数求导的方式
• 支持多种语言：python、c、java、swift、go等
• 性能高度优化

tensorflow playground

学习网站：https://playground.tensorflow.org (opens new window)

tensorflow的基本概念

• 图：描述了计算过程，Tensorflow用图来表示计算过程
• 张量：Tensorflow 使用tensor表示数据，每一个tensor是一个多维化的数组
• 操作：图中的节点为op，一个op获得/输入0个或者多个Tensor，执行并计算，产生0个或多个Tensor
• 会话：session tensorflow的运行需要再绘话里面运行

tensorflow写代码流程

• 1. 定义变量占位符
• 2. 根据数学原理写方程
• 3. 定义损失函数cost
• 4. 定义优化梯度下降 GradientDescentOptimizer
• 5. session 进行训练，for循环
• 6. 保存saver

【----------------------------】

TensorFlow 2.0简介

知识树

1、TensorFlow 2.x vs 1.x

1.1 TensorFlow发展历程

1.2 为什么要学习TensorFlow

• 开源生态成熟；
• 完整的部署流程；
• 产品化方案；

TensorFlow 1.X有哪些问题？

• 文档和接口混乱；
• 默认占用所有GPU的所有内存；
• 使用繁琐；
• 调试困难等；

1.3 TensorFlow 2.x vs 1.x

1.4 TensorFlow 2.0 变化

TensorFlow 2.0 推荐使用tf.keras、tf.data等高级库；

• 用Eager模式搭建原型；
• 用tf.data处理数据；
• 用tf.feature_column提取特征；
• 用tf.keras搭建模型；
• 用tf.saved_model打包模型；

2、Eager Execution

Eager模式就是类似于Python这样的命令式编程，写好程序之后，不需要编译，就可以直接运行，而且非常直观；

而之前的Session静态图模式则类似于C/C++的声明式编程，写好程序之后要先编译，然后才能运行；

Eager模式是在TF1.4版本之后引入的，在TF2.x的版本会把eager模式变为默认执行模式；

好处：

• 不需要编写完整的静态图；
• 调试不需要打开会话（Session）；
• Python上调用它进行计算可以直接得出结果；
• TensorFlow 2.x的入门会简单得多；

2.1 Eager Execution优缺点

优点：

• eager模式提供了更直观的接口，可以像写Python代码一样写模型；
• 更方便调试；
• 自然的控制流程，像编写Python程序一样；

缺点：

• 通过graph构造的模型在分布式训练、性能优化以及线上部署上有优势；

推荐使用@tf.function（而非1.x中的tf.Session）实现Graph Execution，从而将模型转换为易于部署且高性能的TensorFlow图模型；

举个例子：

import tensorflow as tf
@tf.function
def simple_nn_layer(x, y):
	return tf.nn.relu(tf.matmul(x, y))

x = tf.random.uniform((3,3))
y = tf.random.uniform((3,3))

simple_nn_layer(x,y)

3、TensorFlow API

TensorFlow API一共可以分为三个层次，即低阶API、中阶API、高阶API：

• 第一层为Python实现的操作符，主要包括各种张量操作算子、计算图、自动微分；
• 第二层为Python实现的模型组件，对低级API进行了函数封装，主要包括各种模型层，损失函数，优化器，数据管道，特征列等等；
• 第三层为Python实现的模型成品，一般为按照OOP方式封装的高级API，主要为tf.keras.models提供的模型的类接口；

3.1 低层TensorFlow API

举个例子，看看各种API的具体使用：

import tensorflow as tf

a = tf.constant([[1,2],[3,4]])
b = tf.constant([[5,6],[7,8]])

## 标量计算
a+b  tf.math.add(a,b)
a-b  tf.math.subtract(a,b)
a*b  tf.math.multiply(a,b)
a/b  tf.math.divide(a,b)

## 向量计算
a = tf.range(1,100)
tf.print(tf.reduce_sum(a))
tf.print(tf.reduce_mean(a))
tf.print(tf.reduce_max(a))
tf.print(tf.reduce_min(a))
tf.print(tf.reduce_prod(a))

3.2 中层TensorFlow API

举个例子，如下所示：

a = tf.random.uniform(shape=(10,5), minval=0, maxval=10)  ## 矩阵
tf.nn.softmax(a)  ## softmax操作

a = tf.random.uniform(shape(10,5), minval=-0.5, maxval=-0.5)  ## 矩阵
b = tf.keras.layers.Dense(10)(a)  ## 全连接层
b = tf.nn.softmax(b)  ## softmax操作

a = tf.random.uniform(shape=(10,100,50), minval=-0.5, maxval=-0.5)  ## 矩阵
b = tf.keras.LSTM(100)(a)  ## LSTM层
b = tf.keras.layers.Dense(b)  ## 全连接层
b = tf.nn.softmax(b)  ## softmax操作

3.3 高层TensorFlow API

tensorflow.keras.models 建模方式有三种：

• Sequential办法；
• 函数式API方法；
• Model子类化自定义模型

如何构建模型将会在后面详细介绍，下面我们举个例子：

import tensorflow as tf

## 随机初始化输入X和输出y
X = tf.random.uniform(shape=(10,100,50),minval=-0.5,maxval=0.5)  
y = tf.random.categorical(tf.random.uniform(shape=(10.3),minval=-0.5,maxval=-0.5),2)

## 构造模型
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(100,input_shape=(100,50)))
model.add(tf.keras.layers.Dense(10))
model.add(tf.keras.layers.Dense(2,activation='softmax'))

model.compilc(optimizer='adam',loss='categorical crossentropy',metrics=['accuracy'])

model.summary()
model.fit(X,y)

3.4 TensorFlow API 总结

上图中的tf.data用于构造数据，Keras用于构造模型的层，接着用CPU、GPU、TPU进行加速训练，对训练结果使用TensorBoard进行可视化，可以对模型进行保存（Saved model），TensorFlow HUb的作用是模型复用，Deployment的作用是模型部署。

4、资料来源

深度之眼课程——《TensorFlow》

【----------------------------】

TensorFlow基础总结

1.基础概念

• Tensor：类型化的多维数组，图的边；Tensor所引用的并不持有具体的值，而是保持一个计算过程,可以使用session.run()或者t.eval()对tensor的值进行计算。
• Operation:执行计算的单元，图的节点；这里大概可总结为Tensor创建,Tensor转换,逻辑判断,数学运算，聚合运算，序列比较与索引提取等。
• Graph：一张有边与点的图，其表示了需要进行计算的任务；
• Session:称之为会话的上下文,用于执行图。用户管理CPU和GPU和网络连接。

2.Tensor

2.1 数据结构

• rank：数据的维度，其与线性代数中的rank不是一个概念。
• shape:tensor每个维度数据的个数;下图表示了rank,shape的关系。

Rank	Shape	Dimension number	Example
0	[]	0-D	A 0-D tensor. A scalar.
1	[D0]	1-D	A 1-D tensor with shape [5].
2	[D0, D1]	2-D	A 2-D tensor with shape [3, 4].
3	[D0, D1, D2]	3-D	A 3-D tensor with shape [1, 4, 3].
n	[D0, D1, ... Dn-1]	n-D	A tensor with shape [D0, D1, ... Dn-1].

• data type:单个数据的类型。下图表示了所有的types。

Data type	Python type	Description
DT_FLOAT	tf.float32	32 bits floating point.
DT_DOUBLE	tf.float64	64 bits floating point.
DT_INT8	tf.int8	8 bits signed integer.
DT_INT16	tf.int16	16 bits signed integer.
DT_INT32	tf.int32	32 bits signed integer.
DT_INT64	tf.int64	64 bits signed integer.
DT_UINT8	tf.uint8	8 bits unsigned integer.
DT_UINT16	tf.uint16	16 bits unsigned integer.
DT_STRING	tf.string	Variable length byte arrays. Each element of a Tensor is a byte array.
DT_BOOL	tf.bool	Boolean.
DT_COMPLEX64	tf.complex64	Complex number made of two 32 bits floating points: real and imaginary parts.
DT_COMPLEX128	tf.complex128	Complex number made of two 64 bits floating points: real and imaginary parts.
DT_QINT8	tf.qint8	8 bits signed integer used in quantized Ops.
DT_QINT32	tf.qint32	32 bits signed integer used in quantized Ops.
DT_QUINT8	tf.quint8	8 bits unsigned integer used in quantized Ops.

2.2 稀疏张量（SparseTensor）

用于处理高维稀疏数据，包含indices，values，dense_shape三个属性。 indices：形状为（N, ndims）的Tensor，N为非0元素个数，ndims表示张量阶数 values：形状为（N）的Tensor，保存indices中指定的非0元素的值 dense_shape：形状为（ndims）的Tensor，表示该稀疏张量对应稠密张量的形状

3.Operation

3.1 Tensor创建函数

用法	说明
tf.zeros(shape, dtype=tf.float32, name=None)	创建所有元素设置为零的张量
tf.zeros_like(tensor, dtype=None, name=None)	返回tensor与所有元素设置为零相同的类型和形状的张量
tf.ones(shape, dtype=tf.float32, name=None)	创建一个所有元素设置为1的张量。
tf.ones_like(tensor, dtype=None, name=None)	返回tensor与所有元素设置为1相同的类型和形状的张量
tf.fill(dims, value, name=None)	创建一个填充了标量值的张量
tf.truncated_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从截断的正态分布中输出随机值
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)	从正态分布中输出随机值
tf.random_uniform(shape, minval=0.0, maxval=1.0, dtype=tf.float32, seed=None, name=None)	从均匀分布输出随机值
tf.eye(num_rows, num_columns=None, batch_shape=None, dtype=tf.float32, name=None)	构建一个单位矩阵, 或者 batch 个矩阵，batch_shape 以 list 的形式传入
tf.diag(diagonal, name=None)	构建一个对角矩阵
tf.global_variables_initializer()	初始化全部变量

3.2 Tensor转换函数

用法	说明
tf.random_shuffle(value, seed=None, name=None)	沿其第一维度随机打乱
tf.set_random_seed(seed)	设置图级随机种子
tf.string_to_number(string_tensor, out_type=None, name=None)	张量变换
tf.to_double(x, name='ToDouble')	张量变换
tf.to_float(x, name='ToFloat')	张量变换
tf.to_bfloat16(x, name='ToBFloat16')	张量变换
tf.to_int32(x, name='ToInt32')	张量变换
tf.to_int64(x, name='ToInt64')	张量变换
tf.cast(x, dtype, name=None)	张量变换
tf.shape(input, name=None)	用于确定张量的形状并更改张量的形状
tf.size(input, name=None)	用于确定张量的形状并更改张量的形状
tf.rank(input, name=None)	用于确定张量的形状并更改张量的形状
tf.reshape(tensor, shape, name=None)	用于确定张量的形状并更改张量的形状
tf.squeeze(input, squeeze_dims=None, name=None)	用于确定张量的形状并更改张量的形状
tf.expand_dims(input, dim, name=None)	用于确定张量的形状并更改张量的形状
tf.slice(input_, begin, size, name=None)	切片与扩展
tf.split(split_dim, num_split, value, name='split')	切片与扩展
tf.tile(input, multiples, name=None)	切片与扩展
tf.pad(input, paddings, name=None)	切片与扩展
tf.concat(concat_dim, values, name='concat')	切片与扩展
tf.pack(values, name='pack')	切片与扩展
tf.unpack(value, num=None, name='unpack')	切片与扩展
tf.reverse_sequence(input, seq_lengths, seq_dim, name=None)	切片与扩展
tf.reverse(tensor, dims, name=None)	切片与扩展
tf.transpose(a, perm=None, name='transpose')	切片与扩展
tf.gather(params, indices, name=None)	切片与扩展
tf.dynamic_partition(data, partitions, num_partitions, name=None)	切片与扩展
tf.dynamic_stitch(indices, data, name=None)	切片与扩展

3.3 逻辑判断

用法	说明
tf.logical_and(x, y, name=None)	逻辑运算符
tf.logical_not(x, name=None)	逻辑运算符
tf.logical_or(x, y, name=None)	逻辑运算符
tf.logical_xor(x, y, name='LogicalXor')	逻辑运算符
tf.equal(x, y, name=None)	比较运算符
tf.not_equal(x, y, name=None)	比较运算符
tf.less(x, y, name=None)	比较运算符
tf.less_equal(x, y, name=None)	比较运算符
tf.greater(x, y, name=None)	比较运算符
tf.greater_equal(x, y, name=None)	比较运算符
tf.select(condition, t, e, name=None)	比较运算符
tf.where(input, name=None)	比较运算符
tf.is_finite(x, name=None)	判断检查
tf.is_inf(x, name=None)	判断检查
tf.is_nan(x, name=None)	判断检查
tf.verify_tensor_all_finite(t, msg, name=None) 断言张量不包含任何NaN或Inf	判断检查
tf.check_numerics(tensor, message, name=None)	判断检查
tf.add_check_numerics_ops()	判断检查
tf.Assert(condition, data, summarize=None, name=None)	判断检查
tf.Print(input_, data, message=None, first_n=None, summarize=None, name=None)	判断检查

3.4 数学函数

用法	说明
tf.add(x, y, name=None)	加法(支持 broadcasting)
tf.subtract(x, y, name=None)	减
tf.multiply(x, y, name=None)	乘
tf.divide(x, y, name=None)	除
tf.mod(x, y, name=None)	取余
tf.pow(x, y, name=None)	幂
tf.square(x, name=None)	求平方
tf.sqrt(x, name=None)	开方
tf.exp(x, name=None)	自然指数
tf.log(x, name=None)	自然对数
tf.negative(x, name=None)	取相反数
tf.sign(x, name=None)	返回 x 的符号
tf.reciprocal(x, name=None)	取倒数
tf.abs(x, name=None)	求绝对值
tf.round(x, name=None)	四舍五入
tf.ceil(x, name=None)	向上取整
tf.floor(x, name=None)	向下取整
tf.rint(x, name=None)	取最接近的整数
tf.maximum(x, y, name=None)	返回两tensor中的最大值 (x > y ? x : y)
tf.minimum(x, y, name=None)	返回两tensor中的最小值 (x < y ? x : y)
tf.cos(x, name=None)	三角函数和反三角函数
tf.sin(x, name=None)	三角函数和反三角函数
tf.tan(x, name=None)	三角函数和反三角函数
tf.acos(x, name=None)	三角函数和反三角函数
tf.asin(x, name=None)	三角函数和反三角函数
tf.atan(x, name=None)	三角函数和反三角函数
tf.matmul(a,b,name=None)	矩阵乘法(tensors of rank >= 2)
tf.transpose(a, perm=None, name='transpose')	转置，可以通过指定 perm=[1, 0] 来进行轴变换
tf.trace(x, name=None)	求矩阵的迹
tf.matrix_determinant(input, name=None)	计算方阵行列式的值
tf.matrix_inverse(input, adjoint=None, name=None)	求解可逆方阵的逆
tf.svd(tensor, name=None)	奇异值分解
tf.qr(input, full_matrices=None, name=None)	QR 分解
tf.norm(tensor, ord='euclidean', axis=None, keep_dims=False, name=None)	求张量的范数(默认2)

3.5 聚合相关

用法	说明
tf.reduce_sum(input_tensor, axis=None, keep_dims=False, name=None)	计算输入 tensor 所有元素的和，或者计算指定的轴所有元素的和
tf.reduce_mean(input_tensor, axis=None, keep_dims=False, name=None)	求均值
tf.reduce_max(input_tensor, axis=None, keep_dims=False, name=None)	求最大值
tf.reduce_min(input_tensor, axis=None, keep_dims=False, name=None)	求最小值
tf.reduce_prod(input_tensor, axis=None, keep_dims=False, name=None)	求累乘
tf.reduce_all(input_tensor, axis=None, keep_dims=False, name=None)	全部满足条件
tf.reduce_any(input_tensor, axis=None, keep_dims=False, name=None)	至少有一个满足条件

3.6 序列比较与索引提取

用法	说明
tf.setdiff1d(x, y, index_dtype=tf.int32, name=None)	比较两个 list 或者 string 的不同，并返回不同的值和索引
tf.unique(x, out_idx=None, name=None)	返回 x 中的唯一值所组成的tensor 和原 tensor 中元素在现 tensor 中的索引
tf.where(condition, x=None, y=None, name=None)	x if condition else y, condition 为 bool 类型的
tf.argmax(input, axis=None, name=None, output_type=tf.int64)	返回沿着坐标轴方向的最大值的索引
tf.argmin(input, axis=None, name=None, output_type=tf.int64)	返回沿着坐标轴方向的最小值的索引
tf.invert_permutation(x, name=None)	x 的值当作 y 的索引，range(len(x)) 索引当作 y 的值
tf.edit_distance(x,y)	编辑距离

4.Graph

用法	说明
tf.get_default_graph()	访问默认图
tf.Graph.seed	此图内使用的随机种子
tf.Graph.init()	创建一个新的空的图
tf.Graph.as_default()	返回一个使得当前图成为默认图的上下文管理器
tf.Graph.as_graph_def(from_version=None, add_shapes=False)	返回一个表示这个图的序列化的 GraphDef。
tf.Graph.as_graph_element(obj, allow_tensor=True, allow_operation=True)	给定一个obj，看它能否对应到图中的元素
tf.Graph.get_operation_by_name(name)	根据名字获取某个operation
tf.Graph.get_tensor_by_name(name)	根据名字获取某个tensor
tf.Graph.get_operations()	获取所有operations
tf.Graph.is_feedable(tensor)	判断是否可feed或可fetch
tf.Graph.is_fetchable(tensor_or_op)	判断是否可feed或可fetch
tf.Graph.prevent_feeding(tensor)	设置不可feed或不可fetch
tf.Graph.prevent_fetching(op)	设置不可feed或不可fetch
tf.Graph.finalize()	结束这个图，使它只读,不能向g添加任何新的操作
tf.Graph.finalized	如果这个图已经结束，它为真
tf.Graph.control_dependencies(control_inputs)	返回一个明确控制依赖（control dependencies）的上下文管理器
tf.Graph.devide(device_name_or_function)	返回一个明确默认设备的使用的上下文管理器
tf.Graph.name_scope(name)	返回为操作创建分层的上下文管理器
tf.Graph.add_to_collection(name,value)	将value值存入给定name的collection
tf.Graph.add_to_collections(names,value)	将value存入给定的names的collections中
tf.Graph.get_collection(name,scope=None)	返回给定名称集合的值的列表

5.Session

用法	说明
tf.Session()
tf.InteractiveSession()
tf.get_default_session()	获取默认session
tf.Session().graph
tf.Session(). init(self, target='', graph=None, config=None)
tf.Session().as_default()	返回使该对象成为默认session的上下文管理器.
tf.Session().close	关闭这个session
tf.Session().list_devices()	列出此session中的可用设备.
tf.Session().run(fetches,feed_dict=None)	执行
tf.Session().reset(target)	在target上重置资源容器,并关闭所有连接的会话.

附录

https://www.jianshu.com/p/55a47b1720ba https://www.cnblogs.com/qjoanven/p/7736025.html https://blog.csdn.net/xun527/article/details/79690226 https://blog.bitsrc.io/learn-tensorflow-fundamentals-in-20-minutes-cdef2dec331a https://blog.csdn.net/kmsj0x00/article/details/80698794 https://www.w3cschool.cn/tensorflow_python/tensorflow_python-slp52jz8.html

参考文章

• https://www.cnblogs.com/raisok/p/12659627.html
• https://zhuanlan.zhihu.com/p/52550025
• https://blog.csdn.net/qq_37388085/article/details/108250718
• https://www.cnblogs.com/arachis/p/TF_BASICS.html
• https://www.icourse163.org/course/PKU-1002536002?tid=1002700003