【课程笔记】华为 HCIA-AI 人工智能21：TensorFlow 2基础理论

TensorFlow 2基础理论

目录

TensorFlow 2基础理论

1. 张量介绍

2. TensorFlow 2基本操作

3. TensorFlow 2 Eager Execution模式

4. AutoGraph

---

学习目标：

①张量介绍

②TensorFlow 2基本操作

③TensorFlow 2 Eager Execution模式

④AutoGraph

1. 张量介绍

（1）TensorFlow中最基础的数据结构就是张量tensor，所有数据都被封装到tensor中

（2）张量定义：一个多维数组(零阶张量是标量，一阶张量是向量，二阶张量是矩阵)

（3）在TensorFlow中，tensor分为：

①常量tensor：常数constant

②变量tensor：Variable(线性回归中y=wx+b的w和b，以及神经网络当中需要调节的参数，网络当中权重和偏置都是变量，通过学习来确定的值)

2. TensorFlow 2基本操作

（1）常量与变量的创建方式

（2）张量的切片与索引

（3）张量的维度变化

（4）张量的算术运算

（5）张量的拼接与分割

（6）张量排序

3. TensorFlow 2 Eager Execution模式

（1）静态图：采用静态图(Graph模式)的TensorFlow 1，通过计算图将计算的定义和执行分隔开，这是一种声明式(declarative)的编程模型。Graph模式下需要先构建一个计算图然后开启对话session，再喂数据才能得到执行的结果

（2）Eager Execution是一种命令式编程，和原生python一致，当执行某个操作时立即返回结果

4. AutoGraph

在TensorFlow 2中，默认情况下启用了Eager Execution。对于用户来说更直观灵活易于Debug，但会牺牲性能和可部署性

可以使用添加装饰器@tf.function从程序中构建图，来使用AutoGraph。tf.function可以将函数中的TensorFlow操作构建为一个Graph，这个函数就可以在Graph模式执行(函数被封装成一个Graph的TensorFlow操作)