kenneth_yu的博客

这个博文是什么和不是什么对于大部分使用者来说，tensorflow就像一个大黑盒，我们平时接触的只是一层python API的封装。 概括来说，python API只是负责搭建好要运行的神经网络模型，即静态模型。 通过python API能看、能改，但是不能运行。真正运行这个神经网络模型的，是其C++实现的部分，可以看做一个动态模型。 也是这部分，才让tensor真正的flow起来。不分析的：

Graph的生成总体流程我们知道， 在tensorflow里，model是以compuatation graph的形式存在，作为训练和inference的载体。下面简称graph。 graph的生成，源自通过python API中对graph中nodes的定义。一般来讲，我们通过python API这样开始训练一个model：定义graph和其中的node创建session去Run这个grap

1. 关键术语描述kernel在神经网络模型中，每个node都定义了自己需要完成的操作，比如要做卷积、矩阵相乘等。而实现这个操作的算法，我们单独抽象出来，叫做kernel。 可以将kernel看做是一段能够跑在具体硬件设备上的算法程序，所以即使同样的2D卷积算法，我们有基于gpu的Convolution 2D kernel实例、基于cpu的Convolution 2D kernel实例。devi

tensorflow profiler 主要特性使用tensorflow profiler举例高级功能Advisortensorflow profiler 主要特性从r1.3版本开始， tensorflow 提供profiler模块，参见github上的官网文档为方便描述，下面将tf中运行的神经网络模型简称为graph，其中的节点称为node.profi

TODDeep Reinforcemen learning - 2. 基于tensorflow的DDPG实现基于我上一篇博客的算法介绍， 使用tensorflow的代码实现，仿真环境使用gym torcs 为了快速训练出结果，我没有使用driver view图像作为输入，而是使用low dimension传感器数据作为输入， 总共29个数据，包括： - 赛车速度: speedX,