Как понять тензор в TensorFlow?

TensorFlow не имеет первоклассных тензорных объектов, что означает, что нет понятия Tensor в базовом графике, который выполняется средой выполнения. Вместо этого граф состоит из узлов op, соединенных друг с другом, представляющих операции. Операция выделяет память для своих выходов, которые доступны на конечных точках :0, :1 и т. д., И вы можете думать о каждой из этих конечных точек как Tensor. Если у вас есть tensor соответствующую nodename:0 вы можете получить его значение как sess.run(tensor) или sess.run('nodename:0'). Гранулярность выполнения происходит на уровне операции, поэтому run метод выполнит op, который вычислит все конечные точки, а не только :0 конечной точки. Возможно иметь узел Op без выходных данных (например,tf.group), в этом случае с ним не связаны тензоры. Это не возможно, чтобы иметь тензоров без базового узла ОП.

вы можете изучить, что происходит в базовом графике, сделав что-то вроде это

tf.reset_default_graph()
value = tf.constant(1)
print(tf.get_default_graph().as_graph_def())

поэтому с tf.constant вы получаете один узел операции, и вы можете получить его с помощью sess.run("Const:0") или sess.run(value)

аналогично, value=tf.placeholder(tf.int32) создает обычный узел с именем Placeholder, а вы могли бы кормить его как feed_dict={"Placeholder:0":2} или feed_dict={value:2}. Вы не можете кормить и получать заполнитель в том же session.run вызов, но вы можете увидеть результат, прикрепив tf.identity узел сверху и принести.

для переменной

tf.reset_default_graph()
value = tf.Variable(tf.ones_initializer()(()))
value2 = value+3
print(tf.get_default_graph().as_graph_def())

вы увидите, что он создает два узла Variable и Variable/read, the :0 endpoint является допустимым значением для выборки на обоих этих узлах. Однако Variable:0 особое ref тип означает, что его можно использовать в качестве входных данных для мутирующих операций. Результат вызова Python tf.Variable - питон Variable объект и есть некоторая магия Python для замены Variable/read:0 или Variable:0 в зависимости от того, необходима ли мутация. Поскольку большинство ops имеют только 1 конечную точку,:0 упал. Другой пример:Queue -- close() метод создаст новый Close op узел, который подключается к Queue op. Подводя итог -- операции над объектами python, такими как Variable и Queue сопоставление с различными базовыми узлами TensorFlow op в зависимости от использования.

для таких операций, как tf.split или tf.nn.top_k, которые создают узлы с несколькими конечными точками, в Python session.run вызов автоматически переносит вывод в tuple или collections.namedtuple of Tensor объекты, которые могут быть выбраны индивидуально.