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+bd=tf.constant([10,9,8,7])e=tf.constant([1,2,3,4])f_1=d+fprint(f_1.graph)print(d.graph,e.graph)sess=tf.Session()print(sess.run(f_1))#CPU版
import tensorflow as tfa=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 tfg1=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+1print("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+1print("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 tfa=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 tfwith 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.**

tensorflow笔记相关推荐

tensorflow笔记：多层CNN代码分析
tensorflow笔记系列: (一) tensorflow笔记:流程,概念和简单代码注释 (二) tensorflow笔记:多层CNN代码分析 (三) tensorflow笔记:多层LSTM代 ...
tensorflow笔记：流程，概念和简单代码注释
tensorflow是google在2015年开源的深度学习框架,可以很方便的检验算法效果.这两天看了看官方的tutorial,极客学院的文档,以及综合tensorflow的源码,把自己的心得整理了一 ...
人工智能实践：TensorFlow笔记学习（八）—— 卷积神经网络实践
大纲 7.1 复现已有的卷积神经网络 7.2 用vgg16实现图片识别目标掌握复现已有网络,用vgg16实现图片识别 7.1 复现已有的卷积神经网络 VGGNet是Karen simonya ...
人工智能实践：TensorFlow笔记学习（六）—— 全连接网络实践
输入手写数字输出识别结果大纲 6.1 输入手写数字图片输出识别结果 6.2 制作数据集目标 1.实现断点续训 2.输入真实图片,输出预测结果 3.制作数据集,实现特定应用 6.1 输入手写数字图 ...
人工智能实践：TensorFlow笔记学习（五）—— 全连接网络基础
MNIST数据集输出手写数字识别准确率大纲 5.1 MNIST数据集 5.2 模块化搭建神经网络 5.3 手写数字识别准确率输出目标利用MNIST数据集巩固模块化搭建神经网路的八股,实践前向传播 ...
人工智能实践：TensorFlow笔记学习（四）—— 神经网络优化
神经网络优化大纲 4.1 损失函数 4.2 学习率 4.3 滑动平均 4.4 正则化 4.5 神经网络搭建八股目标掌握神经网络优化方法 4.1 损失函数神经元模型:用数学公式表示为:,f为激 ...
人工智能实践：TensorFlow笔记学习（三）——TensorFlow框架
搭建神经网络大纲 3.1 张量.计算图.会话 3.2 前向传播 3.3 反向传播目标搭建神经网络,总结搭建八股 3.1 张量.计算图.会话一.基本概念基于Tensorflow的NN:用张量表 ...
人工智能实践：TensorFlow笔记学习（二）—— Python语法串讲
Python语法串讲大纲 2.1 Linux指令.HelloWorld 2.2 列表.元组.字典 2.3 条件语句 2.4 循环语句 2.5 turtle模块 2.6 函数.模块.包 2.7 类. ...
人工智能实践：TensorFlow笔记学习（一）—— 人工智能概述
概述一. 基本概念 1.什么是人工智能人工智能的概念:机器模拟人的意识和思维重要人物:艾伦·麦席森·图灵(Alan Mathison Turing) 人物简介:1912年6月23日-19 ...
7.3 TensorFlow笔记(基础篇):加载数据之从队列中读取
前言整体步骤在TensorFlow中进行模型训练时,在官网给出的三种读取方式,中最好的文件读取方式就是将利用队列进行文件读取,而且步骤有两步: 1. 把样本数据写入TFRecords二进制文件 2 ...

tensorflow笔记

tensorflow笔记相关推荐

最新文章

热门文章