莫烦PYTHON | Tensorflow教程——Tensorflow基础构架（第二章）

最新推荐文章于 2024-08-20 18:55:43 发布

kudou1994

最新推荐文章于 2024-08-20 18:55:43 发布

阅读量3.4k

点赞数 4

分类专栏：莫烦Tensorflow

本文链接：https://blog.csdn.net/kudou1994/article/details/80767692

版权

本文是Tensorflow教程的第二章，讲解了Tensorflow的计算图纸、Tensor张量的意义、Session会话控制、Variable变量、Placeholder传入值以及激励函数。介绍了如何构建数据流图，并解释了张量的不同阶数。此外，还讨论了Session的使用方法、变量的初始化和传入外部数据的占位符。最后，文章深入探讨了激励函数的作用及其在神经网络中的重要性，包括常见激励函数的选择。

摘要由CSDN通过智能技术生成

2.1 处理结构

计算图纸

Tensorflow首先要定义神经网络的结构，然后再把数据放入结构当中进行运算和训练。
这里写图片描述
我们要做得就是要建立一个这样的结构，然后把数据放进去，之后tensorflow就可以自己运行，tensorflow字面意思翻译过来就是向量在里面飞。

上图就是一个循环，从输入层输入数据，数据飞到隐藏层再到输出层，用梯度下降法处理，完成对几个参数的更新，用更新之后的参数再次应用到隐藏层中去学习，不停的循环直至结果收敛。
TensorFlow是采用数据流图（data flow graphs）来计算，所以首先我们得创建一个数据流流图，然后再将我们的数据（数据以张量(tensor)的形式存在）放在数据流图中计算。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor)。训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点，这就是TensorFlow名字的由来。

Tensor 张量意义

张量有多种：
零阶张量：纯量/标量（scalar），是一个数值，比如[1]
一阶张量：向量（vector）一维
二阶张量：矩阵（matrix）二维
等等

2.2 例子2

#加载这两个模块，并使用numpy来创建我们的数据
import tensorflow as tf 
import numpy as np #科学计算的模块

# create data
x_data = np.random.rand(100).astype(np.float32) #随机生成100个数，定制成float32的形式
y_data = x_data*0.1 + 0.3

###开始创建结构###
Weights = tf.Variable(tf.random_uniform([1], -