TensorFlow的框架

一、张量                                                                                                                                     点击返回总目录 二、计算图 三、会话 四、参数 五、神经网络的训练过程 六、前向传播 七、反向传播 八、总结：神经网络搭建的八股     使用TensorFlow搭建神经网络时，我们经常： 使用张量表示数据；使用计算图搭建神经网络；使用会话执行计算图，再优化神经网络中的参数，获得更准确的模型。     一、张量 首先介绍什么是张量。其实，张量就是多维数组，就是列表。用阶表示张量的维度。                  0阶张量，就是标量，比如123。一阶张量，叫做向量，表示的是一个一维数组，比如列表[1,2,3]。二阶张量叫做矩阵，表示的是一个二维数组。 判断张量是几阶的，就看黄色框框这个地方有几个"["。有n个就是n阶。所以，张量可以表示0阶到n阶数组。   例：实现两个张量的加法 import tensorflow as tf                    #导入TensorFlow模块   a=tf.constant([1.0,2.0])                   #定义一个张量a等于常数[1.0,2,0]。tf.constant表示定义常数。 b=tf.constant([3.0,4.0]) result =a+b print(result) 运行结果： Tensor("add:0", shape=(2,), dtype=float32)   意思是result是一个名字叫“add:0”的张量。shape=(2,)：括号中有一个数，表示维度是1；2表示第1个维度里有两个元素。 dtype=float32表示数据是浮点型的。TensorFlow的数据类型有tf.float32(32位的浮点)、tf.int32（32位的整型）等等。                                  二、计算图   其实上面的例子所描述的，就是一个计算过程，就是一张计算图。从print输出的内容，我们可以看到，只显示出这个结果是个张量，并没有实际运算张量具体的值。所以计算图只描述了计算过程，不计算运算结果。 所谓计算图(Graph)，就是搭建神经网络的计算过程，他是承载一个或多个下面这种节点(整个方框里面的是一个节点)的一张图，只搭建网络，不运算。                                          神经元的基本模型就是上面图中这个样子，其实就是数学里的乘加运算。我们用张量运算描述这个神经元为： import tensorflow as tf   x=tf.constant([[1.0,2.0]])         #x是一行两列的矩阵。 w=tf.constant([[3.0],[4.0]])      #w是两行一列的矩阵。 y=tf.matmul(x,w)                     #矩阵乘法。 print(y) 运行结果： Tensor("MatMul:0", shape=(1, 1), dtype=float32)     #结果为二维，一行一列的矩阵。 我们从print的结果可以看到，y是个张量，只承载了搭建计算过程的计算图，并没有运算。     三、会话 如果我们想得到运算结果，就要用到会话了。 所谓会话(session)，是执行运算图中节点运算的。我们用with结构实现。   例：