tensorflow图形检测_TensorFlow入门
一、综述：
TensorFlow是一个采用数据流图（Data FlowGraphs），用于数值计算的开源软件库。结点（Nodes）在图中表示数学操作，图中的线（Edges）则表示在节点间相互联系的多维数据数组，即张量（Tensor）。可移植性较强。
TensorFlow官方支持的模型代码库（包含学术界的最新成果，包含内容形形色色，适合初学者入门：如网络模型CNN，RNN，GAN；图形识别，语音识别，计算机视觉（对图像的分类，检测等））：
tensorflow/modelsgithub.com
二、基础知识：
- Tensor
tensor（张量）是标量和向量的总称。
Tensor其实相当于一个容器，这个容器的形状我们可以随意定义。定义好的容器是空着的（相当于一个桶，里面没有任何东西）。运行TensorFlow程序的时候，这个容器当中才会拥有和之前定好的桶形状大小完全匹配的水，即数据（维度）。
先理解一下维度：
3 ###标量
[1., 2., 3.] ###一维数组或一维向量，形状为[3]
[[1., 2., 3.],[4., 5., 6.]] ###二维数组或二维向量，形状为[2,3]
[[[1., 2., 3.]],[[7., 8., 9.]]] ###三维数组或三维向量，形状为[2,1,3]tensor（张量）就是用来容纳这些数据的，也可使用下标对容器中的数据进行索引。
tensor主要包括两个主要的属性：
dtype：存储的数据的类型，如tf.float32、tf.int32等；
shape：存储的多维数组中每个维度的数组中元素的个数，也可以理解为定义的桶（容器）的大小。两种常用的tensor：
tf.constant：常量张量，这个tensor在TensorFlow运算的过程中始终保持不变。
tf.Variable:变量张量，这个tensor在TensorFlow运算过程中会发生变化。举例：
import tensorflow as tf
# 创建整型常量
t0 = tf.constant(3, dtype=tf.int32)
# 创建一个浮点数的一维数组，shape=[3]
t1 = tf.constant([3., 4.1, 5.2], dtype=tf.int32)
# 创建一个字符串的2 x 2数组，shape=[2, 2]
t2 = tf.constant([['I', 'Love'], ['learning', 'TensorFlow!']], dtype=tf.string)
# 创建一个 2 x 3 x 1 数组，shape=[2, 3, 1]
t3 = tf.constant([[[5], [6], [7]], [[4], [3], [2]]]，dtype=tf.int32)
# 打印上面创建的几个 Tensor
print(t0)
print(t1)
print(t2)
print(t3)上面的代码输出结果为：
>>> print(t0)
Tensor("Const:0", shape=(), dtype=int32)
>>> print(t1)
Tensor("Const_1:0", shape=(3,), dtype=float32)
>>> print(t2)
Tensor("Const_2:0", shape=(2, 2), dtype=string)
>>> print(t3)
Tensor("Const_3:0", shape=(2, 3, 1), dtype=int32)到此为止，是不是很诧异。为什么不是我们所想的那样输出结果：3，...，[[[5], [6], [7]], [[4], [3], [2]]]这些数值呢？因为，我们上面讲到了，tensor只是一个水桶（容器），只有TF运算的时候水桶中才会有水（数据）。
2.Dataflow Graph（数据流图）
数据流图是一种常用的并行计算编程模型，数据流图是由结点(nodes)和线(edges)构成的有向图：
结点（nodes）：表示计算单元，也可以是输入的起点或输出的重点；
线（edges）：表示节点与节点之间的输入和输出关系。在TensorFlow中，每个节点都是用tf.Tensor 的实例来表示的，即每个结点的输入、输出都是Tensor，如下图中 Tensor 在 Graph 中的流动，形象的展示 TensorFlow 名字的由来。
计算图，相当于我们要盖房子之前设计的图纸，使得预先定义好的tensor根据我们的运算逻辑逐步来运行，最终根据我们定义好的目标函数，对图进行整体的优化。
TensorFlow 中的数据流图优点如下：
1. 可并行：计算结点之间有明确的连接线，系统可以很容易易的判断出哪些计算操作可以并行执行。
2. 可分发：图中的各个结点可以分布在不不同的计算单元(CPU、 GPU、 TPU等)或者不同的机器中，每个节点产生的数据可以通过明确的线发送的下一个结点中。
3. 可优化：TensorFlow 中的 XLA 编译器可以根据数据流图进行代码优化，加快运行速度。
4. 可移植：数据流图的信息可以不依赖代码进行保存，如使用Python创建的图，经过保存后可以在C++或Java中使用。举例：利用典型的机器器学习公式y = wx + b 构建计算图。为了了简化问题，我们先假设w , x , b 都是常量：
import tensorflow as tf
# 创建 w 常量
w = tf.constant(3, dtype=tf.float32)
# 创建 x 常量
x = tf.constant(5, dtype=tf.float32)
# 创建 b 常量
b = tf.constant(4, dtype=tf.float32)
# 前面是三个Tensor即结点，现在创建他们之间的联系即边。
y = w * x + b注意：从TensorFlow 1.6版本之后，开始引入动态图机制Eager Execution，它是一个命令式、由运行定义的接口，一旦从 Python 被调用，其操作立即被执行。这使得入门 TFlow 变的更简单，也使研发更直观。这个属于TensorFlow的高阶用法，感兴趣的可以阅读TF官方文档。
3.Placeholder
计算图中有一类比较特的结点： tf.placeholder 就是一个Tensor的占位符，这个时候我只描述他的dtype , shape 等一些基本信息。就像上面提到的【水桶】。但不像Tensor那样，我们可以把Tensor想象成真实的【水桶】，而placeholder 还存在与我们的想法中，虽然类型、形状与真实的相同。
什么地方需要用到tf.placeholder 呢？ 从上面的例子可以看到，使用tf.constant()创建的Tensor都是常量，一旦创建后其中的值就不能改变了。有时我们还会需要从外部输入数据，这个数据每次输入都不会完全一样。此时它也不是变量，不能像参数一样参与到网络的训练中。这时可以用tf.placeholder 创建占位Tensor，占位Tensor的值可以在运行的时候输入。
如：
import tensorflow as tf
# 创建两个占位 Tensor 结点
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
# 创建一个 adder 结点，对上面两个节点执行 + 操作
adder_node = a + b4. Session（会话）
虽然有了Tensor，也有了Dataflow Graph，即：有了容器，也有了怎么对这些容器器进行操作的方法，此时还缺一个执行这个任务的环境。
在TensorFlow中提供了一个叫tf.Session 的会话机制，它为一个任务提供了计算环境，这时需要为这个环境提供输入输出数据。
还记得上面的例子吗？在我们打印Tensor的时候，并没有输出想要的Tensor内部数据，而是Tensor的属性描述，这时候要知道Tensor内部到底存放了什么数据，就需要用到tf.Session 。
例一：（手动关闭会话）
import tensorflow as tf
# 创建一个整型常量
t0 = tf.constant(3, dtype=tf.int32)
# 创建一个会话
sess = tf.Session()
# 打印t0中的数据
print(sess.run(t0))
#关闭会话
sess.close()此时，输出的t0就是tensor的详细数据：
>>> print(sess.run(t0))
3对于之前的这个会话，每次结束都需要手动去关闭，不是很方便（有时候可能会忘记）。可以利用Python with的方式来自动关闭会话。
例二：（自动关闭会话）
import tensorflow as tf
# 创建一个整型常量
t0 = tf.constant(3, dtype=tf.int32)
with tf.Session() as sess:
# 打印t0中的数据
print(sess.run(t0))此时，输出的t0就是tensor的详细数据(同上)：
>>> print(sess.run(t0))
3在TensorFlow中，Session有两种，除了tf.Session() 的方式，还有一种tf.InteractiveSession() ，这种会话一般用在命令行交互的方式，可以通过.eval() 来执行
Graph中的计算逻辑。
import tensorflow as tf
# 初始化InteractiveSession
sess = tf.InteractiveSession()
# 创建 w 常量
w = tf.constant(3, dtype=tf.float32)
# 创建 x 常量
x = tf.constant(5, dtype=tf.float32)
# 创建 b 常量
b = tf.constant(4, dtype=tf.float32)
# 前面是三个Tensor即结，现在创建他们联系即边
y = w * x + b
# 运行计算图
print（y.eval()）
sess.close()运行结果如下：
>>> print(y.eval())
19.0使用InteractiveSession就不用每次都sess.run( )一下会话，这种情况比较适用于命令行的方式，一般会写一些比较简单的验证代码，当代码逻辑复杂的时候，还是需要使用tf.Session() 。
Session一般会包括两个参数:
fetches : 在当前会话run的过程中想要的返回值，可以是一个Tensor或者Tensor list。
feed_dict : 传入一个dict。这个参数是要输入给此次run过程中的参数，需要有对应的placeholder。例如上例中y = w * x + b ，不想只计算y = 3 * 5 + 4 ，而想计算y = 3x + 4 。这时候x
是需要传入到Graph，需要使用tf.placeholder 。
import tensorflow as tf
# 初始化Session
sess = tf.Session()
w = tf.constant(3, dtype=tf.float32)
b = tf.constant(4, dtype=tf.float32)
# 创建x的占位符，因为是一个标量，所以shape为空
x = tf.placeholder(tf.float32, [])
# 前面是三个Tensor即结点，现在创建他们联系即边
y = w * x + b
# 运行计算图
print(sess.run(y, {x: 6}))
sess.close()运行结果可以随着x 的变化而变化
>>> print(sess.run(y, feed_dict={x: 6}))
22.05. TensorBoard
为了更方便 TensorFlow 的建模和调优，Google还为TensorFlow开发了一款可视化的工具：TensorBoard。这里我们使用Tensorboard的最基础功能——查看计算图。
下面我们给出查看y=3x + 4 的完整计代码，并且通过web的形式可视化计算图。
import tensorflow as tf
sess = tf.Session()
w = tf.constant(3, dtype=tf.float32, name='w')
b = tf.constant(4, dtype=tf.float32, name='b')
x = tf.placeholder(tf.float32, [],name='x')
y = w * x + b
merged = tf.summary.merge_all()
#其中tf.summary.FileWriter('根据自己习惯命名', sess.graph)
tf.summary.FileWriter('yEwxPb', sess.graph)
sess.close()可以看到在运行的代码目录下面多了yEwxPb 的文件夹，我们可以在命令行输入:
$ tensorboard - -logdir yEwxPb此时我们使用google浏览器，输入http://localhost:6006/ 可以查看我们创建的计算图
tensorboard还有很多用法，例如用来监控训练过程中loss下降趋势、参数分布等。想进一步了解可以参考TensorFlow 官方文档中文版
三、总结：
以上学写了TensorFlow框架中五个最重要的概念—— Tensor 、Dataflw Graph 、
Placeholder 、Session 、Tensorboard 。
Tensor ：计算逻辑的基本单元，用于存储和描述数据
Graph ：Tensor之间的计算逻辑，用于完成对任务的定义
Placeholder ：占位符，运行自定义输入数据
Session ：TensorFlow的运行环境，每次run都在对应的Session运行
Tensorboard ：强大优雅的可视化工具参考：
- Vlon Jang
- TensorFlow官方文档
1.英文：
TensorFlowtensorflow.google.cn
2.中文：
TensorFlow 官方文档中文版www.tensorfly.cn有帮助就点个赞呗，欢迎指正！