AI实践学习笔记（一）

1、综述：

。常见深度学习框架

   。Caffe

   。pytorch

   。mxnet

   。tensorflow

。tensorflow优点

   。python API

   。支持GPU加速计算，支持移动设备

   。支持可视化

   。可存档

   。自动微分

   。社区庞大

2、Tensorflow介绍：

Tensorflow是Google开发的Python深度学习框架，在2015年年底开源，在各种应用场景下都有丰富的应用。高层的API方便用户轻松构建和训练模型，降低了深度学习，机器学习的编程开发门槛，支持GPU加速和分布式计算。

3、为什么选择Tensorflow

。Python API

。支持GPU加速计算，支持移动设备

。支持平台广泛（Raspberry Pi，Android，Windows，IOS等）

。支持可视化（TensorBoard）

。CheckPoints（可存档）

。自动微分

。社区庞大

4、Tensorflow Core

。相对底层的API

。提供完整的编程控制

。灵活，可调节部分多

。增进对于Tensorflow高级API的了解

5、Tensor

Tensor（张量），是Tensorflow的核心部分，可以理解为多维数组，tensor包含一系列的基本数据类型，可以是任意维度的数组，tensor的rank就是指tensor维度的数目。

6、导入Tensorflow

在程序中导入Tensorflow只需要以下一行：import tensorflow as tf

7、计算图

Tensorflow中将计算的定义与执行分开了，在使用Tensorflow Core的程序中主要包括以下两个部分：

   。建立计算图

现在看一下如何在TensorFlow中对计算图进行定义，定义一个简单的计算图，每个节点的输入为0或多个tensor，输出也是一个tensor，其中有一种节点的类型是constant，这种类型的节点不需要输入，输出的就是节点内部存储的值，下面我们创建两个浮点类型的tensor，并将它们相加：

node1=tf.constant(3.0,dtype=tf.float32)
node2=tf.constant(4.0)   #also tf.float32 implicitly
node3=tf.add(node1,node2)
print(node1,node2)
print(node3)

Tensor("Const:0",shape=(),dtype=float32)
Tensor("Const_1:0",shape=(),dtype=float32)
node3:Tensor("Add:0",shape=(),dtype=float32)

 执行计算图：

以下的代码创建了一个Session对象，然后调用run方法来运行节点node1和node2：

sess=tf.Session()

print(sess.run([node3]))

 。运行计算图