Tensorflow与深度学习笔记

最新推荐文章于 2021-09-13 20:47:38 发布

Zach_z

最新推荐文章于 2021-09-13 20:47:38 发布

阅读量916

点赞数 1

分类专栏：机器学习文章标签： Tensorflow

本文链接：https://blog.csdn.net/Zach_z/article/details/84037873

版权

根据学习《TensorFlow实战Goolgle深度学习框架》摘抄的三四章重点

一、计算图——Tensorflow的计算模型

1.1 计算图的概念

TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系

两个向量相加样例的计算图：

1.2 计算图的使用

Tensorflow程序一般可以分为两个阶段：

第一个阶段需要定义计算图中所有的计算
第二个阶段为执行阶段

定义阶段的样例：

import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b

在TensorFlow程序中，系统会自动维护一个默认的计算图，通过tf.get_default_graph函数可以获取当前默认的计算图
除了使用默认的计算图，TensorFlow支持通过tf.Graph函数来生成新的计算图。不同计算图上的张量和运算都不会共享
在一个计算图中，可以通过集合(collection)来管理不同类别的资源。比如通过tf.add_to_collection函数可以将资源加入一个或多个集合中，然后通过tf.get_collection获取一个集合里面的所有资源

二、张量——TensorFlow的数据模型

在TensorFlow程序中，所有数据都通过张量(tensor)的形式来表示

例如：

import tensorflow as tf
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
print result
##############################
# 输出：
# Tensor("add:0", shape=(2,), dtype=float32)

一个张量中主要保存了三个属性：名字、维度和类型

三、会话——TensorFlow的运行模型

会话(session)拥有并管理TensorFlow程序运行时的所有资源。

当所有计算完成之后需要关闭会话来帮助系统回收资源，否则就可能出现资源泄露的问题

使用TensorFlow中的会话来执行定义好的运算：

第一种模式需要明确调用会话生成函数和关闭会话函数：

# 创建一个会话
sess = tf.Session()
# 使用这个创建好的会话来得到关心的运算的结果。
# 比如可以调用sess.run(result)来的到张量result的取值
sess.run(...)
# 关闭会话使得本次运行中使用到的资源可以被释放
sess.close()

TensorFlow可以通过Python的上下文管理器来使用会话：

# 创建一个会话，并通过Python中的上下文管理器来管理这个会话
with tf.Session() as sess:
    # 使用这个创建好的会话来计算关心的结果
    sess.run(...)
# 不需要再调用"Session.close()"函数来关闭对话
# 当上下文退出时会话关闭和资源释放也自动完成了