TensorFlow官⽅API中⽂版（⼀）
  TensorFlow 官⽅API 中⽂版(⼀)
7/18/2016 7:49:42 PM
API⽂档
  TensorFlow 拥有多种语⾔的API⽤于构建和执⾏TensorFlow图，Python API 是⽬前最完整和最容易使⽤的，但是C++ API可能在执⾏图⽅⾯提供⼀些性能优势，同时⽀持在⼩型设备上的部署（例如Android）。随着时间的推移，我们希望TensorFlow社区能够开发出像Go,Java,JavaScript,Lua,R（或其他）这样的前端语⾔。借助于SWIG，⽤你最喜欢的语⾔开发TensorFlow界⾯将变得⾮常容易。
Part I Building Graphs 图的构建
1.1 核⼼图的数据结构
1.1.1 class tf.Graph
这是⼀个TensorFlow计算（computation)，代表⼀个数据流图（dataflow graph).
⼀张图包含⼀系列的Opration对象，这些对象代表着计算单元，⽽Tensor对象代表着数据单元，这些数据单元在各个Opertation间流动。
⼀张 默认图（default Graph)已经注册，可以通过调⽤ tf.get_default_graph()来获取它。为了向默认图添加⼀个操作，可以简单地调⽤定义了⼀个新的 Opertation 的函数：
c = tf.constant(4.0)
aph _default_graph()
另外⼀个典型的⽤法包括 Graph.as_default() 这个上下⽂管理器(context manager)在上下⽂环境中覆盖了当前的默认图。
g = tf.Graph()
with g.as_default():
# Define operations and tensors in `g`.
c = tf.constant(30.0)
aph is g
重要提⽰：这个类构建图是⾮线程安全的。所有的操作应该从单个线程中创建，否则必须提供外部同步。除⾮明确指明，所有⽅法都是⾮线程安全的。
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
这个⽅法应该在你想要在相同的过程中创建多图时被使⽤。为了⽅便，⼀个全局默认图已经被提供，如果你没有明确创建⼀个新的图，所有的操作将会被添加进这张图。当你使⽤这个⽅法时，请使⽤ with 关键字明确在接下来的代码块范围内创建的操作应该加进这张图。
默认图是当前线程的⼀个属性，如果你创建了⼀个新的线程，并且希望在这个线程⾥使⽤默认图，你必须在这个线程的函数⾥明确添加 with g.as_default():
下⾯的代码⽰例（相对于上述解释）是等价的：
# 1. Using Graph.as_default():
g = tf.Graph()
with g.as_default():
c = tf.constant(5.0)
aph is g
# 2. Constructing and making default:
with tf.Graph().as_default() as g:
c = tf.constant(5.0)
aph is g
返回：
⼀个⽤于将当前图作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。
这个序列化的 GraphDef 可以被引⼊另⼀个图（使⽤ import_graph_def()）或者使⽤ C++ Session API。
这个⽅法是线程安全的。
参数：
from_version： 可选的，如果被设定，将返回⼀个 GraphDef，它包含仅从这张图的版本属性有了给定值后加⼊这张图的节点（nodes）。
add_shapes： 如果是真值，给每个带有输出推断图形的结点添加⼀个_output_shapes列表属性。（adds an “_output_shapes” list attr to each node with the inferred shapes of each of its outputs.)
python官方文档中文版返回：
⼀个 GraphDef协议缓冲区（protocol buffer）
引起的错误：
ValueError: 如果 graph_def 太⼤
tf.Graph.finalize()
结束这个图，使它只读
在调⽤g.finalize()后，不能向g添加任何新的操作。当这个图在多线程间共享时，为了保证没有操作添加到这个图，可以调⽤这个⽅法，例如当使⽤⼀个 QueueRunner时
tf.Graph.finalized
如果这个图已经结束，它为真
l_dependencies(control_inputs)
返回⼀个明确控制依赖（control dependencies）的上下⽂管理器
使⽤ with 关键字明确所有在上下⽂内创建的操作应该在control_inputs上有控制依赖。例如：
l_dependencies([a, b, c]):
# `d` and `e` will only run after `a`, `b`, and `c` have executed.
d = ...
e = ...
control_dependencies()的多重调⽤可以嵌套，在这种情况下，基于所有活动的上下⽂中的 control_inputs 的联合，⼀个新的Operation 将拥有控制依赖。
l_dependencies([a, b]):
# Ops constructed here run after `a` and `b`.
l_dependencies([c, d]):
# Ops constructed here run after `a`, `b`, `c`, and `d`.
你可以通过None来清除控制依赖。
l_dependencies([a, b]):
# Ops constructed here run after `a` and `b`.
l_dependencies(None):
# Ops constructed here run normally, not waiting for either `a` or `b`.
l_dependencies([c, d]):
# Ops constructed here run after `c` and `d`, also not waiting
# for either `a` or `b`.
注：控制依赖应⽤于那些在上下⽂内建⽴的操作。很少在上下⽂中使⽤使⽤⼀个 op 或者 tensor 时不添加⼀个控制依赖。下⾯的例⼦解释了这⼀点:
# WRONG
def my_func(pred, tensor):
t = tf.matmul(tensor, tensor)
l_dependencies([pred]):
# The matmul op is created outside the context, so no control
# dependency will be added.
return t
# RIGHT
def my_func(pred, tensor):
l_dependencies([pred]):
# The matmul op is created in the context, so a control dependency
# will be added.
return tf.matmul(tensor, tensor)
参数:
control_inputs：⼀个 Operation 或者 Tensor 对象列表，它上下⽂内定义的操作被运⾏前被执⾏或者计算。也可以为None来清除控制依赖。
返回：
⼀个明确在上下⽂内所有操作的控制依赖的上下⽂管理器
引起的错误：
TypeError: 如果 control_inputs 不是⼀个 Operation 或者Tensor 对象的列表.

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。