- 新建计算图 g1 = tf.Graph,可以通过tf.Graph.device函数来指定运行计算的设备。从而为使用GPU提供了机制。
g=tf.Graph
with g.device("/gpu:0"):
result =a+b
- 创建会话来得到张量的计算结果,只要把所有的计算放在“with”内部就可以
with tf.Session() as sess:
sess.run(result)
- 一个神经元有多个输入和一个输出,不同输入的权重就是神经元的参数,神经网络的优化过程就是优化神经元中参数取值的过程。
4.一个变量的值在被使用之前,这个变量的初始化需要被明确的调用
with tf.Session() as sess:
init_op = tf.initialize_all_variables()
sess.run(init_op)
5.用tf.placeholder()代替tf.constant()常量输入,其相当于定义了一个位置,这个位置中的数据在程序运行时再制定,这样在程序中就不需要生成大量常量在提供输入数据,但其需要提供一个feed_dict来指定取值,feed_dict是一个字典,在字典中需要给出每个用到的placeholder的取值。