深度学习基础之tensorflow框架

初识tensorflow
相信很多搞深度学习的小伙伴们都知道深度学习其实有很多的框架可以供选择,但我个人感觉还是tensorflow比较的好用，而且用的人也是比较多的。tensorflow的设计理念主要体现在以下两个方面：

（1）将图的定义和图的运算完全的分开，因此tensorflow被认为是一个"符号主义"的库，符号式计算一般是先定义各种变量，然后建立一个数据流图，在数据流图中规定各个变量之间的计算关系，最后只需要对数据流图进行编译，但是此时的数据流图还是一个空壳而已，里面没有任何的实际数据，只有把需要的输入放进去后，才能在整个模型中形成数据流，从而形成输出值。
eg:
t=8+9
print(t)
相比很多小伙伴都知道，传统的编程方法习惯就是直接执行就可以了但是在tensorflow中就没有这么直接。在tensorflow中数据流图中的节点实际上就是对应tensorflow API中的一个操作，并没有真正的执行。
而tensorflow中的操作如下：
import tensorflow as tf
t=tf.add(8,9)
print(t) #输出为：tensor(“Add_1:0”,shape=(),dtype=int32)
定义了一个操作但是并没有执行。

（2）Tensorflow中涉及的运算都需要放在图中，而图中的运行只发生在会话(session)中，开启会话后，就可以用数据去填充节点，进行运算，关闭会话后，就不能运算。
具体操作如下：
import tensorflow as tf
#创建图
a=tf.constant([1.0,2.0])
b=tf.constant([3.0,4.0])
fh=a*b
#创建会话
with tf.Ssession() as sess:
g=sess.run(fh)
print(g)

tensorflow的优点：

• 基于python，原理简单，代码非常具有可读性
• 在CPU和GPU上都可以运行
• 社区活跃度非常的高，特别是github上