深度学习——TensorFlow基础概念

A machine learning platform for everyone to solve problems.

1. 概述

• TensorFlow是一个开源代码软件库，用于进行高性能数值计算，借助灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等），最初由Google Brain团队（隶属于Google的AI部门）中的研究人员和工程师开发，可为机器学习和深度学习提供强力支持。

import tensorflow as tf

# 创建一个常量运算，将作为一个节点加入到默认计算图中
hello = tf.constant('Hello, World!')

# 创建一个TF对话
sess = tf.Session()

# 运行并获得结果
print(sess.run(hello))

out：b'Hello, World!'

输出前面的'b'表示bytes literals(字节文字)

2.TensorFlow计算模型-计算图

• TensorFlow概念

TensorFlow = Tensor + Flow

Tensor：张量——数据结构：多维数组

Flow：流——计算模型：张量之间通过计算而转换的过程

TensorFlow是一个通过计算图的形式表述计算的编程系统，每一个计算都是计算图上的一个节点，节点之间的边描述了计算之间的关系。

# 一个简单的计算图
node1 = tf.constant(3.0, tf.float32, name='node1')
node2 = tf.constant(4.0, tf.float32, name='node2')
node3 = tf.add(node1, node2)

print(node3)

Tensor("Add:0", shape=(), dtype=float32)

输出的结果不是一个具体的数字，而是一个张量的结构

3.Tensor 张量

• TensorFlow中，所有的数据都是通过张量的形式来表示
• 从功能的角度，张量可以理解为多维数组
  • 零阶张量表示标量（scalar），也就是一个数
  • 一阶张量表示向量（vector），也就是一维数组
  • n阶张量表示一个n维数组
• 张量并没有真正保存数字，保存的是计算过程
• 张量的属性
  • Tensor("Add:0", shape=(), dtype=float32)
    • 名字（name）
      • 'node:src_output'：node节点名称，src_output来自节点的第几个输出
    • 形状（shape）
      • 张量的维度信息，shape=(),表示是标量
    • 类型（type）
      • 每一个张量会有一个唯一的类型
      • TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错
• 张量的形状
  • 描述张量维度的三个术语：阶（rank）、形状（shape）、维数（dimension number）

• 获取张量的元素
  • 阶为1的张量等价于向量
  • 阶为2的张量等价于矩阵，通过t[i, j]获取元素
  • 阶为3的张量，通过t[i,j,k]获取元素
• 张量的类型
  • 实数：tf.float32, tf.float64
  • 整树：tf.int8,tf.int16,tf.int32,tf,int64,f.uint8
  • 布尔值：tf.bool
  • 复数：tf.complex64,tf.complex128
  • 默认类型：
    • 不带小数点的数会被默认为int32
    • 带小数点的会被默认为float32
• Operation 操作
  • 计算图中的节点就是操作
    • 一次加法是一个操作
    • 构建一些变量的初始值也是一个操作
  • 每个运算操作都有属性，它在构建图的时候需要确定下来
  • 操作可以和计算设备绑定，指定操作在某个设备上执行
  • 操作之间存在顺序关系，操作之间的依赖就是“边”