深入理解tensorflow架构设计与实现原理（彭靖田著）

最新推荐文章于 2024-07-21 23:51:12 发布

冲个会员下盗版

最新推荐文章于 2024-07-21 23:51:12 发布

阅读量3.7k

点赞数

本文链接：https://blog.csdn.net/qq_26958849/article/details/84865914

版权

本文深入探讨了TensorFlow的数据流图机制，包括张量的eval和run方法，以及变量和普通节点的区别。理解变量的初始化过程和内部状态对于掌握TensorFlow的计算流程至关重要。数据流图作为计算的拓扑描述，实际计算会在会话执行时进行。

摘要由CSDN通过智能技术生成

import tensorflow as tf
a=tf.constant(1.0)
b=tf.constant(2.0)
c=tf.add(a,b)
print([a,b,c])
#输出
[<tf.Tensor 'Const:0' shape=() dtype=float32>,
 <tf.Tensor 'Const_1:0' shape=() dtype=float32>, 
 <tf.Tensor 'Add:0' shape=() dtype=float32>]

数据流图中的操作输出值由张量承载，想要求解特定张量的值，需要创建会话，然后执行张量的eval方法或会话的run方法。

with tf.Session() as sess:
	print(c.eval())
	print(sess.run([a,b,c]))
#输出
3.0
[1.0,2.0,3.0]

tf张量的公共成员方法

eval 取出张量值
get_shape 获取张量的形状
set_shape 修改张量的形状
consumers 获取张量的后置操作

with tf.Session() as sess:
		     print("a[0]=%s,a[1]=%s" % (a[0].eval(),a[1].eval()))
		     print("c.name=%s" % c.name)
		     print("c.value=%s" % c.eval())
		     print("c.shape=%s" % c.shape)
		     print("a.consumers=%s" % a.consumers())
		     print("b.c