Tensowflow深度学习流程基本按照这8个步骤来执行的：

深度学习流程

一、执行图的构建
1.数据的特征工程
2.模型构建
二、执行图的执行
1.数据加载
2.数据清洗
3.数据划分、提取
4.模型训练
5.模型效果评估
6.模型持久化
三、TF的常识
1.变量的初始化
2.常量的定义、参数的给定、推荐默认的类型、系统自动命名、不同图中的节点不能合并操作

def constant(value, dtype=None, shape=None, name="Const", verify_shape=False):
      功能：定义一个值不允许修改的Tensor常量对象
      参数:
        value: 初始值，可以是任意的Python基本数据类型(数值型、布尔类型、字符串类型、数组、元祖)以及NumPy数组类型
        dtype: 明确给定常量对象的数据类型，如果不给定的话，从value中获取数据类型
        shape: 给定常量对象的形状，默认不给定的话，使用value对应的形状

四、TF会话

当执行图构建完成后，才能给启动图，进入到执行阶段：

• 启动图的第一步就是创建一个Session对象，
• 如果无任何参数的情况下，会话构造器将启动默认图。
• 执行会话(session)，获取结果

def create_graph_session():
    a = tf.constant(value=5.0)
    b = tf.constant(value=8.0)

    # 2. 两个常数tensor对象分别加一个随机数
    v1 = tf.add(x=a, y=np.random.random_sample(), name='v1')
    v2 = tf.add(x=b, y=tf.random_normal(shape=[], dtype=tf.float32))


    # def __init__(self, target='', graph=None, config=None)
    #     target: 一个字符串，先暂时不考虑
    #     graph: 指定这个会话可以运行哪个图的内容，如果不给定的时候，默认就是tf.get_default_graph()
    #     config: session相关配置信息，可以不给
    sess = tf.Session()


    """
    def run(self, fetches, feed_dict=None, options=None, run_metadata=None):
    tf.Session().run 的参数：
         fetches : 给定具体获取哪些tensor的值，可以是1个 也可以是多个，给定多个tensor值，只运行一次；
         feed_dict : 如果定义的执行图需要传入数据，那么通过这个参数给定。
    """
    print(sess.run(fetches=a))
    # fetches 参数可以写，也可以不写
    print("当前的默认会话:{}".format(tf.get_default_session()))
    # print(sess.run(a))
    # """
    # 如何一次性获取运算结果呢？想要获取的结果 组合成一个list,作为fetches.
    # """
    print(sess.run([a, b, v1, v2]))
    # print(v1.eval())

    # 关闭会话
    sess.close()

总结：实际写训练代码的时候一般结构为:

# 构建模型图
# 构建会话
# with tf.Graph().as_default():
#     # 一、 基于业务知识构建执行图对象
#      pass
#
#     # # 二、运行
#     with tf.Session() as sess:
#     #     # 0. 加载数据
#     #
#     #     # 1. 图执行
#     #
#     #     # 2. 图效果查看
#     #
#     #     # 3. 持久化
#         pass
#     # pass

config配置

• 1. 构建会话

#介绍session中的参数config=tf.ConfigProto()
        with tf.Session(config=tf.ConfigProto(log_device_placement=True,
                                 allow_soft_placement=True,
                                 gpu_options=tf.GPUOptions(allow_growth=True,
                                 per_process_gpu_memory_fraction=0.5))) as sess:
            a_, b_, v1_, v2_ = sess.run([a, b, v1, v2])
            print(a_, b_, v1_, v2_)

gpu_options GPU相关参数
log_device_placement bool值 是否打印设备位置得日志文件
allow_soft_placement bool==True时，是否允许动态使用CPU和GPU，默认为False；当我们的tf的版本为GPU的时候，
建议该参数设置为True，因为TensorFlow中的部分op只能在CPU上运行
allow_growth bool值==True时，不预先分配使用整个gpu内存计算，而是从小开始按需要增长。
per_process_gpu_memory_fraction 值介于（0 ,1.0） 限制使用该gpu设备内存的百分比。