Tensorflow学习笔记1

目录

 

摘要

Tensorflow基本概念

---

摘要

Tensorflow是一种通过计算图构建神经网络、深度学习等模型，并用于实现相关任务的的工具。它主要由python语言实现，内部计算用C++实现，所以它的特点为：简单、高效、稳定。通过使用tensorflow不仅可以实现我们常见的深度学习任务，而且让我们从复杂的实现细节中解放出来，更加关注我们的任务本身，从而节省了宝贵的时间。本文主要是一些tensorflow的学习笔记，供我或者大家参考，具体细节还是看tensorflow官方文档更好。

Tensorflow基本概念

张量和操作为计算图的基本组成元素，张量相当于边，操作相当于点。

• 张量
• 操作
• 常量

用tf.constant()进行定义。常量为不需要变化的张量，输入数据为numpy的array等数据类型，请填写时注意一下。

• 变量

用tf.Variable()进行定义。 变量主要用于需要被初始化的参数，如深度学习中的权重、偏置值，需要在训练开始前先进行初始化。

• 占位符

用tf.placeholder()进行定义。占位符主要用于训练时需要动态获取的数据，如深度学习中的输入数据。每次训练迭代周期内，用feed_dict={}体现。（feed_dict作为sess.run()的一个参数）（请区分好变量和占位符的创建场景）

以上概念所对应的方法最终返回的结果为张量。

Tensorflow构建过程

    1. 创建图

*创建张量

*创建操作

    2. 运行图

*运行图：sess.run(张量或者操作)

Tensorflow代码范式

# 导入模块
import tensorflow as tf
import numpy as np

# 下面为tensorflow范式(本文以神经网络为例)
# 1. 加载数据，例如：
x = numpy.array([[0.2, 0.7], [0.14, -0.6]])

# 2. 构建计算图
x = tf.constant(x)
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))  # 张量
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))  # 张量
h = tf.matmul(x, w1)  # 操作
y = tf.matmul(h, w2)  # 操作

# 运行计算图
with tf.Session() as sess:
    # 初始化变量
    init_op = tf.global_variables_initializer()
    # 运行操作
    sess.run(init_op)
    
    print(sess.run(y))

小结