tensorflow笔记

**Tensorflow基础： TensorFlow三个基础核心概念：计算图、Tensor、Session 计算图： 在TensorFlow中，计算图是一个有向图，用来描述计算节点以及计算节点之间的关系，所以在TensorFlow中我们存储一个值或者数组的时候，存的其实是这个值或者数组的计算图而不是其本身的数字。我们可以用写一个简单的例子来验证一下： #GPU版本 import tensorflow as tf g=tf.Graph() with g.device("/gpu:0"): #c=lambda a,b:a+b d=tf.constant([10,9,8,7]) e=tf.constant([1,2,3,4]) f_1=d+f print(f_1.graph) print(d.graph,e.graph) sess=tf.Session() print(sess.run(f_1)) #CPU版 import tensorflow as tf a=tf.constant([1,2,3,4],name='a') b=tf.constant([0,1,2,3],name='b') c=a+b print(a.graph,b.graph) print(c.graph) sess=tf.Session() print(sess.run(c)) 关于计算图的操作 1、新建计算图:g=tf.Graph()，但是不同计算图上的张量是不能共享的,这个是存在于变量 2、指定计算图的使用的device:with g.device("/gpu:0"): 3、设置默认计算图:with g.as_default: 4、在会话中可以指定使用的计算图:with tf.Session(graph=g1): 对于以上操作用代码说话，建议大家和我一起写，这样才会有比较大的体会和能够记住， import tensorflow as tf g1=tf.Graph() with g1.as_default(): a=tf.constant([1,2,3],name="a")#用常量试试看 b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [1]))#用变量试试看 g2=tf.Graph() with g2.as_default(): a=tf.constant([2,3],name="a")#用常量试试看 b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [3]))#用常量试试看 with tf.Session(graph=g2) as sess: with g1.device("/cpu:0"): tf.global_variables_initializer().run() c=a+1 print("常量的情况下",sess.run(c)) with tf.variable_scope("", reuse=True): print("变量情况下",sess.run(tf.get_variable("b"))) with tf.Session(graph=g2) as sess: with g2.device("/gpu:0"): tf.global_variables_initializer().run() c=a+1 print("常量的情况下",sess.run(c)) with tf.variable_scope("", reuse=True): print("变量情况下",sess.run(tf.get_variable("b"))) 张量： 张量（tensor）可以简单理解为多维数组。其中零阶张量表示标量（scalar），也就是一个数；一阶张量为向量（vector），也就是一维数组；第n阶张量可以理解为一个n维数组。但是张量在Tensorflow中的实现并不是直接采用数组的形式，它只是对Tensorflow中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。 import tensorflow as tf a=tf.constant(2,name='a') b=tf.constant([0,1,2,3],name='b') c=a*b print(a,b) print(c) sess=tf.Session() print(sess.run(c)) 会话： 在TensorFlow中，计算图的计算过程都是在会话下进行的，同一个会话内的数据是可以共享的，会话结束计算的中间量就会消失。 在TensorFlow需要指定会话。 import tensorflow as tf with tf.Session as sess: print(sess.run(result)) sess=tf.Session() with sess.as_default(): print(result.eval()) sess = tf.InteractiveSession()#会自动成为默认会话 TensorFlow 基础API介绍 我们这个课程的是将TensorFlow的高阶API，但是由于在我们的应用案例中不可能都是高阶API，还会涉及到一些常用必须的基础的API，我们在开始讲高阶API之前也先简单讲一下低阶的基础API.根据TensorFlow官网以及在日常的编程中的使用情况，我梳理了以下需要掌握的TensorFlow基础API: tf.Graph(): tf.Graph.device(): tf.Graph.as_default(): tf.Session(): tf.Session.run(): tf.Session.as_default(): tf.InteractiveSession(): tf.constant(): tf.variable(): tf.get_variable(): tf.placeholder(): tf.agrmax tf.train() tf.nn() 前面我们在讲解计算图、张量、会话时有些基础的API已经讲解了，在这里我们就不重复讲。我们这里重点讲一下tf.train和tf.nn这两个非常重要的API.**

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

API TensorFlow

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。