下载掌阅APP，畅读海量书库
立即打开
TensorFlow是通过数据流图来完成数据处理的。可以借助TensorFlow API来实现数据流图。
数据流图是一张神经网络（图2-1），它能模拟人类大脑处理信息的过程，由节点（神经元）、连线（神经突触）和流经的张量（数据信息）三部分组成。节点代表对数据的某种处理，也就是对张量的运算操作。连线代表节点与节点之间的连接、依赖关系。要传递、处理的张量在编程代码中用数组或列表来表示。
读者可以试着想象一个动态的数据流图，若干张量通过连线汇聚到一个节点，按这个节点处的要求完成某种运算操作，这个节点的输出张量再通过连线流向其他节点。经过若干节点运算，张量最终流向输出节点，完成整个运算过程。
图2-1 神经网络
以图2-2为例，用数据流图完成如下简单计算过程。
已知输入节点“input”处的输入张量a为［5，2］。张量a流经上方的节点“add”，求出a的所有元素之和，作为张量b；与此同时，张量a流经下方的节点“max”，求出张量a中所有元素的最大值，作为张量c。张量b和张量c汇聚到节点“mul”处，求出b和c的乘积，作为张量d，这就是最终输出结果。也就是说，输入张量a流经此数据流图的运算结果即张量d。
图2-2 数据流图示例
接下来看一看如何用代码实现上节中的数据流图。使用TensorFlow实现数据流图需要两个步骤：定义它、运行它。下面利用TensorFlow API来实现该数据流图。
首先打开PyCharm，按照1.7节中的步骤新建项目。在项目名称的右键快捷菜单中选择“New”→“Python File”命令，完成Python文件的创建，然后输入如下代码。
在代码编辑区右击并选择运行命令，可以看到代码运行结果为35。
接下来解析上节中代码的含义。
这行代码的作用是导入TensorFlow库，并赋予它一个新的名字tf。这样，在后面用到TensorFlow库函数时就不用输入完整的名称，省时又省力。
这部分代码定义了4个节点的运算操作。输入节点处的张量a是通过tf.constant（）方法创建的常量形式的一维列表，元素值为5、2。在节点“add”处，通过tf.reduce_sum（）方法对a中的所有元素求和，得到张量b。在节点“max”处，通过tf.reduce_max（）方法获取a中元素的最大值，作为张量c。在最后一个节点处，用tf.multiply（）方法算出张量b和张量c的乘积，作为数据流图最后的输出张量d。
需要注意的是，这里只有一个输入节点，输入的张量为一维列表［5， 2］。相比于采用两个输入节点，输入值分别为标量5和标量2，张量输入有如下优点。
（1）只需要将输入数据送给单个节点，简化了数据流图。
（2）后面的节点只依赖于一个输入节点而非多个。
（3）输入节点可以接收任意维度的列表（张量）。
通过前面的代码定义了一个数据流图，完成了一个简单神经网络的创建。要想得到输出结果，还要将数据流图运行起来。
这里用构造方法tf.Session（）创建了一个会话sess，通过sess.run（d）运行数据流图，让张量在数据流图的节点之间流动，最终求出张量d并打印出结果。
提示：其他节点的张量也可以通过sess.run（）方法进行运算。试着添加下面这行代码，运行数据流图求出张量c并打印出结果。
run（）方法如下所示：
该方法有4个参数，其中fetches和feed_dict是需要重点关注的参数。参数的值为None，意味着该参数可以缺省。run（）方法至少要有fetches这一个参数。重点参数的解释如下。
（1）fetches。
该参数可以是任意数据流图中的元素，如某个节点处的张量。
（2）feed_dict。
该参数用于覆盖数据流图中的张量值，其格式为Python字典对象。字典包含“Key”和“Value”两个元素，也就是程序员所熟悉的键值对。“Key”指向需要被替换的张量；“Value”的值用于替换原来的张量值，只要数据类型相同即可替换。
feed_dict非常重要，它可以用来更新、替换、覆盖输入张量的值，后续章节会对它进行详细介绍。