一文上手最新Tensorflow2.0系列（一）｜常见的基本概念

⼀⽂上⼿最新Tensorflow2.0系列（⼀）｜常见的基本概念

在本⽂中我们将对TensorFlow中的⼀些基本概念做⼀个简单的介绍，希望进⼀步了解这些概念及其实现的读者，可以参考官⽅的⽩⽪书（主要是

15年的）以及TensorFlow官⽹的⼀些⽂档。需要注意的是，这些资料中的部分内容对于TensorFlow2.0来说已经不适⽤了，读者在阅读的时候

需要留意。

1. TensorFlow常见基本概念

1.1 计算图

计算图（computation graph）是⼀个有向图（directed graph），是对TensorFlow中计算任务的抽象描述，也称为数据流图（data flow

graph）。TensorFlow使⽤计算图将计算表⽰成了独⽴的指令之间的依赖关系，在计算图中，节点表⽰计算单元（即⼀个独⽴的运算操作），图

中的边表⽰计算使⽤或产⽣的数据。在TensorFlow1.x版本中，当我们使⽤TensorFlow低级API进⾏编程时，我们⾸先需要定义好计算图，然后

创建TensorFlow会话（session）来执⾏计算图。

在TensorFlow1.x版本中采⽤的是静态图机制，我们需要预先定义好计算图，然后再可以反复的调⽤它（1.x版本有提供Eager Execution接⼝，

让⽤户可以使⽤动态图）。TensorFlow2.0则采⽤了动态图机制（1.x版本的Eager Execution在2.0中成为了默认的执⾏⽅式），我们可以像执

⾏普通的python程序⼀样执⾏TensorFlow的代码，⽽不再需要⾃⼰预先定义好静态图，调试代码也更加容易。TensorFlow1.x的静态图机制⼀

直被⽤户所诟病，调整为动态图机制是TensorFlow2.0⼀个最重⼤的改进，并且其也提供了⼀些⽅法来保留静态计算图的⼀些优势。

1.2 会话

在1.x版本中，会话（session）是客户端程序与TensorFlow系统进⾏交互的接⼝，我们定义好的计算图必须在会话中执⾏。当会话被创建时会初

始化⼀个空的图，客户端程序可以通过会话提供的“Extend”⽅法向这个图中添加新的节点来创建计算图，并通过“tf.Session”类提供

的“run”⽅法来执⾏计算图。⼤多数情况下我们只需要创建⼀次会话和计算图，之后我们可以在会话中反复执⾏整个计算图或者其中的某些⼦

图。

TensorFlow2.0采⽤了动态图机制，我们不需要在会话中执⾏计算图了，“tf.Session”类被放到了兼容模块“tensorflow.compat.v1”中，这

个模块⾥有完整的TensorFlow1.x的API。为了保留静态图的优势（例如性能优化和可移植性等），TensorFlow2.0提供了“tf.function”⽅

法，使⽤“tf.function”修饰的python函数，TensorFlow可以将其作为单个图来运⾏。

1.3 运算操作和运算核

计算图中的每⼀个节点就是⼀个运算操作（operation，通常简称op），每⼀个运算操作都有名称，并且代表了⼀种类型的抽象运算，例

如“MatMul”代表矩阵的乘法。每个运算操作都可以有⾃⼰的属性，但是所有的属性都必须被预先设置，或者能够在创建计算图时根据上下⽂推

断出来。 通过设置运算操作的属性可以让运算操作⽀持不同的张量（tensor）元素类型，例如让向量加法操作运算只接受浮点类型的张量。运算

核（kernel）是⼀个运算操作在某个具体的硬件（⽐如CPU或GPU）上的实现，在TensorFlow中可以通过注册机制加⼊新的运算操作或者为已

有的运算操作添加新的运算核。

TensorFlow的部分运算操作