前邊的章節介紹了什么是Tensorflow，本節將帶大家真正走進Tensorflow的世界，學習Tensorflow一些基本的操作及使用方法。同時也歡迎大家關注我們的網站和系列教程：http://www.tensorflownews.com/，學習更多的機器學習、深度學習的知識！
Tensorflow是一種計算圖模型，即用圖的形式來表示運算過程的一種模型。Tensorflow程序一般分為圖的構建和圖的執行兩個階段。圖的構建階段也稱為圖的定義階段，該過程會在圖模型中定義所需的運算，每次運算的的結果以及原始的輸入數據都可稱為一個節點（operation ，縮寫為op）。我們通過以下程序來說明圖的構建過程：程序2-1：
程序2-1定義了圖的構建過程，“import tensorflow as tf”，是在python中導入tensorflow模塊,並另起名為“tf”；接着定義了兩個常量op，m1和m2，均為1*2的矩陣；最后將m1和m2的值作為輸入創建一個矩陣加法op，並輸出最后的結果result。
我們分析最終的輸出結果可知，其並沒有輸出矩陣相加的結果，而是輸出了一個包含三個屬性的Tensor(Tensor的概念我們會在下一節中詳細講解，這里就不再贅述)。
以上過程便是圖模型的構建階段：只在圖中定義所需要的運算，而沒有去執行運算。我們可以用圖2-1來表示：
圖2-1 圖的構建階段
第二個階段為圖的執行階段，也就是在會話（session）中執行圖模型中定義好的運算。我們通過程序2-2來解釋圖的執行階段：
程序2-2：
程序2-2描述了圖的執行過程，首先通過“tf.session()”啟動默認圖模型，再調用run()方法啟動、運行圖模型，傳入上述參數result，執行矩陣的加法，並打印出相加的結果，最后在任務完成時，要記得調用close()方法，關閉會話。
除了上述的session寫法外，我們更建議大家，把session寫成如程序2-4所示“with”代碼塊的形式，這樣就無需顯示的調用close釋放資源，而是自動地關閉會話。
程序2-3：
此外，我們還可以利用CPU或GPU等計算資源分布式執行圖的運算過程。一般我們無需顯示的指定計算資源，Tensorflow可以自動地進行識別，如果檢測到我們的GPU環境，會優先的利用GPU環境執行我們的程序。但如果我們的計算機中有多於一個可用的GPU，這就需要我們手動的指派GPU去執行特定的op。如下程序2-4所示，Tensorflow中使用with...device語句來指定GPU或CPU資源執行操作。
程序2-4：
上述程序中的“tf.device(“/gpu:2”)”是指定了第二個GPU資源來運行下面的op。依次類推，我們還可以通過“/gpu:3”、“/gpu:4”、“/gpu:5”...來指定第N個GPU執行操作。
關於GPU的具體使用方法，我們會在下面的章節結合案例的形式具體描述。
Tensorflow中還提供了默認會話的機制，如程序2-5所示，我們通過調用函數as_default()生成默認會話。
程序2-5：
我們可以看到程序2-5和程序2-2有相同的輸出結果。我們在啟動默認會話后，可以通過調用eval()函數，直接輸出變量的內容。
有時，我們需要在Jupyter或IPython等python交互式環境開發。Tensorflow為了滿足用戶的這一需求，提供了一種專門針對交互式環境開發的方法InteractiveSession(),具體用法如程序2-6所示：
程序2-6：
程序2-6就是交互式環境中經常會使用的InteractiveSession()方法，其創建sess對象后，可以直接輸出運算結果。
綜上所述，我們介紹了Tensorflow的核心概念——計算圖模型，以及定義圖模型和運行圖模型的幾種方式。接下來，我們思考一個問題，為什么Tensorflow要使用圖模型？圖模型有什么優勢呢？
首先，圖模型的最大好處是節約系統開銷，提高資源的利用率，可以更加高效的進行運算。因為我們在圖的執行階段，只需要運行我們需要的op,這樣就大大的提高了資源的利用率；其次，這種結構有利於我們提取中間某些節點的結果，方便以后利用中間的節點去進行其它運算；還有就是這種結構對分布式運算更加友好，運算的過程可以分配給多個CPU或是GPU同時進行，提高運算效率；最后，因為圖模型把運算分解成了很多個子環節，所以這種結構也讓我們的求導變得更加方便。
2.3.2 Tensor介紹
Tensor（張量）是Tensorflow中最重要的數據結構，用來表示Tensorflow程序中的所有數據。Tensor本是廣泛應用在物理、數學領域中的一個物理量。那么在Tensorflow中該如何理解Tensor的概念呢？
實際上，我們可以把Tensor理解成N維矩陣（N維數組）。其中零維張量表示的是一個標量，也就是一個數；一維張量表示的是一個向量，也可以看作是一個一維數組；二維張量表示的是一個矩陣；同理，N維張量也就是N維矩陣。
在計算圖模型中，操作間所傳遞的數據都可以看做是Tensor。那Tensor的結構到底是怎樣的呢？我們可以通過程序2-7更深入的了解一下Tensor。
程序2-7：
程序2-7的輸出結果表明：構建圖的運算過程輸出的結果是一個Tensor，且其主要由三個屬性構成：Name、Shape和Type。Name代表的是張量的名字，也是張量的唯一標識符，我們可以在每個op上添加name屬性來對節點進行命名，Name的值表示的是該張量來自於第幾個輸出結果（編號從0開始），上例中的“mul_3:0”說明是第一個結果的輸出。Shape代表的是張量的維度，上例中shape的輸出結果(1,1)說明該張量result是一個二維數組，且每個維度數組的長度是1。最后一個屬性表示的是張量的類型，每個張量都會有唯一的類型，常見的張量類型如圖2-2所示。
圖2-2 常用的張量類型
我們需要注意的是要保證參與運算的張量類型相一致，否則會出現類型不匹配的錯誤。如程序2-8所示，當參與運算的張量類型不同時，Tensorflow會報類型不匹配的錯誤：程序2-8：
正如程序的報錯所示：m1是int32的數據類型，而m2是float32的數據類型，兩者的數據類型不匹配，所以發生了錯誤。所以我們在實際編程時，一定注意參與運算的張量數據類型要相同。
2.3.3 常量、變量及占位符
Tensorflow中對常量的初始化，不管是對數值、向量還是對矩陣的初始化，都是通過調用constant()函數實現的。因為constant()函數在Tensorflow中的使用非常頻繁，經常被用於構建圖模型中常量的定義，所以接下來，我們通過程序2-9了解一下constant()的相關屬性：
程序2-9：
如程序2-9所示，函數constant有五個參數，分別為value，name，dtype，shape和verify_shape。其中value為必選參數，其它均為可選參數。Value為常量的具體值，可以是一個數字，一維向量或是多維矩陣。Name是常量的名字，用於區別其它常量。Dtype是常量的類型，具體類型可參見圖2-2。Shape是指常量的維度，我們可以自行定義常量的維度。
verify_shape是驗證shape是否正確，默認值為關閉狀態(False)。也就是說當該參數true狀態時，就會檢測我們所寫的參數shape是否與value的真實shape一致，若不一致就會報TypeError錯誤。如：上例中的實際shape為(2,0)，若我們將參數中的shape屬性改為(2,1)，程序就會報如下錯誤：
TypeError: Expected Tensor's shape: (2, 1), got (2,).
Tensorflow還提供了一些常見常量的初始化，如：tf.zeros、tf.ones、tf.fill、tf.linspace、tf.range等，均可以快速初始化一些常量。例如：我們想要快速初始化N維全0的矩陣，我們可以利用tf.zeros進行初始化，如程序2-10所示：
程序2-10：
程序2-10向我們展示了tf.zeros和tf.zeros_like的用法。其它常見常量的具體初始化用法可以參考Tensorflow官方手冊：https://www.tensorflow.org/api_guides/python/constant_op。
此外，Tensorflow還可以生成一些隨機的張量，方便快速初始化一些隨機值。如：tf.random_normal()、tf.truncated_normal()、tf.random_uniform()、tf.random_shuffle()等。如程序2-11所示，我們以tf.random_normal()為例，來看一下隨機張量的具體用法：
程序2-11：
隨機張量random_normal()有shape、mean、stddev、dtype、seed、name六個屬性。 shape是指張量的形狀，如上述程序是生成一個2行3列的tensor；mean是指正態分布的均值；stddev是指正太分布的標准差；dtype是指生成tensor的數據類型；seed是分發創建的一個隨機種子；而name是給生成的隨機張量命名。
Tensorflow中的其它隨機張量的具體使用方法和屬性介紹，可以參見Tensorflow官方手冊：https://www.tensorflow.org/api_guides/python/constant_op。這里將不在一一贅述。
除了常量constant()，變量variable()也是在Tensorflow中經常會被用到的函數。變量的作用是保存和更新參數。執行圖模型時，一定要對變量進行初始化，經過初始化后的變量才能拿來使用。變量的使用包括創建、初始化、保存、加載等操作。首先，我們通過程序2-12了解一下變量是如何被創建的：
程序2-12：
程序2-12展示了創建變量的多種方式。我們可以把函數variable()理解為構造函數，構造函數的使用需要初始值，而這個初始值是一個任何形狀、類型的Tensor。也就是說，我們
既可以通過創建數字變量、一維向量、二維矩陣初始化Tensor，也可以使用常量或是隨機常量初始化Tensor，來完成變量的創建。
當我們完成了變量的創建，接下來，我們要對變量進行初始化。變量在使用前一定要進行初始化，且變量的初始化必須在模型的其它操作運行之前完成。通常，變量的初始化有三種方式，如程序2-13所示：
程序2-13：
程序2-13說明了初始化變量的三種方式：初始化全部變量、初始化變量的子集以及初始化單個變量。首先，global_variables_initializer()方法是不管全局有多少個變量，全部進行初始化，是最簡單也是最常用的一種方式；variables_initializer()是初始化變量的子集，相比於全部初始化化的方式更加節約內存；Variable()是初始化單個變量，函數的參數便是要初始化的變量內容。通過上述的三種方式，我們便可以實現變量的初始化，放心的使用變量了。
我們經常在訓練模型后，希望保存訓練的結果，以便下次再使用或是方便日后查看，這時就用到了Tensorflow變量的保存。變量的保存是通過tf.train.Saver()方法創建一個Saver管理器，來保存計算圖模型中的所有變量。具體代碼如程序2-14所示：
程序2-14：
我們要注意，我們的存儲文件save.ckpt是一個二進制文件，Saver存儲器提供了向該二進制文件保存變量和恢復變量的方法。保存變量的方法就是程序中的save()方法，保存的內容是從變量名到tensor值的映射關系。完成該存儲操作后，會在對應目錄下生成如圖2-3所示的文件：
圖2-3 保存變量生成的相應文件
Saver提供了一個內置的計數器自動為checkpoint文件編號。這就支持訓練模型在任意步驟多次保存。此外，還可以通過global_step參數自行對保存文件進行編號，例如：global_step=2，則保存變量的文件夾為model.ckpt-2。那如何才能恢復變量呢？首先，我們要知道一定要用和保存變量相同的Saver對象來恢復變量。其次，不需要事先對變量進行初始化。具體代碼如程序2-15所示：
程序2-15：
本程序示例中，我們要注意：變量的獲取是通過restore()方法，該方法有兩個參數，分別是session和獲取變量文件的位置。我們還可以通過latest_checkpoint()方法，獲取到該目錄下最近一次保存的模型。
以上就是對變量創建、初始化、保存、加載等操作的介紹。此外，還有一些與變量相關的重要函數，如：eval()等。
認識了常量和變量，Tensorflow中還有一個非常重要的常用函數——placeholder。placeholder是一個數據初始化的容器，它與變量最大的不同在於placeholder定義的是一個模板，這樣我們就可以session運行階段，利用feed_dict的字典結構給placeholder填充具體的內容，而無需每次都提前定義好變量的值，大大提高了代碼的利用率。Placeholder的具體用法如程序2-16所示：
程序序2-16：
程序2-16演示了placeholder占位符的使用過程。Placeholder()方法有dtype，shape和name三個參數構成。dtype是必填參數，代表傳入value的數據類型；shape是選填參數，代表傳入value的維度；name也是選填參數，代表傳入value的名字。我們可以把這三個參數看作為形參，在使用時傳入具體的常量值。這也是placeholder不同於常量的地方，它不可以直接拿來使用，而是需要用戶傳遞常數值。
最后，Tensorflow中還有一個重要的概念——fetch。Fetch的含義是指可以在一個會話中同時運行多個op。這就方便我們在實際的建模過程中，輸出一些中間的op，取回多個tensor。Fetch的具體用法如程序2-17所示：
程序2-17：
程序2-17展示了fetch的用法，即我們利用session的run()方法同時取回多個tensor值，方便我們查看運行過程中每一步op的輸出結果。
程序2-18：
小結：本節旨在讓大家學會Tensorflow的基礎知識，為后邊實戰的章節打下基礎。主要講了Tensorflow的核心——計算圖模型，如何定義圖模型和計算圖模型；還介紹了Tensor的概念，以及Tensorflow中的常量、變量、占位符、feed等知識點。大家都掌握了嗎？