DeepLearning | Tensorflow编程基础:Session、Constant、Variable、Tensor、Placeholder、OP

1.Tensorflow的运行方式

Tensorflow作为谷歌开源的深度学习框架,受到众多的人工智能开发人员欢迎。Tensorflow的数据控制单元,张量Tensor是一个可以定义为任意维度的数据,张量的阶Tensor’s rank就是张量的维度,例如:

零阶张量: 1   一个标量
一阶张量: [1,2,3]    一个向量 shape 3
二阶张量: [[1,2,3],[4,5,6]]   一个矩阵 shape 2x3
三阶张量: [[[1,2,3]],[[4,5,6]]]   shape:2x1x3

Tensorflow的编程主要分为两步,第一步构造计算图(computational Graph),第二步运行计算图。那么计算图是什么呢?
计算图是一系列由计算操作抽象出来的节点构成的结构,张量(Tensor)在这些节点之间流动运行,由此称该框架为Tensorflow。接下来我们就来介绍一下Tensorflow的基本概念

2.Constant常量

要使用Tensorflow我们首先需要导入该框架

import tensorflow as tf 

Tensorflow中一个基础的节点类型就是constant,常量节点

node_A = tf.constant(10,tf.float32)
node_B = tf.constant(11,tf.int32)

所有的常量类型在定义时,就已经赋予了数值,而且其数值在后面的运行中是无法改变的。

3.Session会话

如果我们直接输出上面定义的两个节点时,例如

print(node_A,node_B)

我们会得到下面的结果

Tensor("Const:0", shape=(), dtype=float32) 
Tensor("Const_1:0", shape=(), dtype=float32)

这里输出的并不是我们想要的10和11,想要输出运行一个节点的结果,必须在一个会话Session中运行计算图,Tensor flow中的session很好的封装了其运行时的状态和控制,接下来我们定义一个会话,输出两个节点的值

sess = tf.Session()
a,b = sess.run([node_A,node_B])
print(a,b)

输出如下:

10.0 11.0

4.Op计算节点

上面我们定义了两个常量节点和会话,并输出了节点的值,我们可以通过定义一些计算操作(Operation、Op)节点,构建更加复杂的计算
加法:

node_C = tf.add(node_A,node_B)
print(sess.run(node_C)) 

输出为

21.0

乘法:

node_D = tf.multiply(node_A,node_B)
print(sess.run(node_D)) 

输出为

110.0

5.Placehoder占位符

上面我们已经熟悉了常量类型以及一些运输符号的操作,Tensorflow的计算图还可以使用占位符placeholder参数化的从外部输入数据,简单来说placehold的作用就是给之后输入的值提前占位,设置这个结构的存在。

# 这里是构造计算图的部分
a=tf.placeholder(tf.float32)  
b=tf.placeholder(tf.float32)  
adder_node=a+b  
#运行计算图  
print("adder_node:",adder_node)  
print(sess.run(adder_node,{a:3,b:4.5}))  
print(sess.run(adder_node,{a:[1,3],b:[2,4]}))  

输出结果为:

adder_node: Tensor("add:0", dtype=float32)
7.5
[ 3.  7.]

在我们构建一个神经网络时,通常会为网络的输入输出构建一个placeholder占位符

6.Variable变量

在网络模型中,我们不光有常量类型,计算操作、输入输出占位符等更多的是大量的变量类型,模型具有可训练能力,需要在一次次训练中修正计算图,使对于同样的输入得到新的输出。变量variable允许我们为计算图添加可变的训练参数
例如,我们构造一个线性模型

定义图结构
W=tf.Variable([.3],tf.float32)  
b=tf.Variable([-.3],tf.float32)  
x=tf.placeholder(tf.float32)  
linear_model=W*x+b  
运行计算图
init = tf.global_variables_initializer()  
sess.run(init)  
print(sess.run(linear_model,{x:[1,2,3,4]}))  

这里的初始化是必要的,与常量类型的定义不同,所有的变量类型在定义时都不会赋予初始值,只有在执行初始化操作时,值才会被赋予变量
上述代码的输出为:

[ 0.          0.30000001  0.60000002  0.90000004]

到这里我们就讲完了tensorflow的一些基本概念,想要熟练掌握,还需要使用这些基础工具慢慢搭建出自己的网络,我的另一篇博客中描述了如何将一个大规模的数据集导入tensorflow
DeepLearning | Batch Generator:Tensorflow的大规模数据集导入

7.更多资源下载

微信搜索“老和山算法指南”获取更多下载链接与技术交流群
在这里插入图片描述
有问题可以私信博主,点赞关注的一般都会回复,一起努力,谢谢支持。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Liangjun_Feng

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值