深度学习小白——TensorFlow 一简介

最新推荐文章于 2023-12-28 15:56:36 发布

i夫是印度古

最新推荐文章于 2023-12-28 15:56:36 发布

阅读量71

点赞数

本文链接：https://blog.csdn.net/qq_45304322/article/details/93616736

版权

本文介绍了TensorFlow的基本概念和运行流程，包括Tensor、Variable、Session的使用，并通过MNIST数据集建立单层神经网络模型。此外，还提及了5层全连接神经网络的构建和训练过程。

摘要由CSDN通过智能技术生成

我选择tensorFlow作为我学习的第一个神经网络框架，恰巧最近Tensorflow支持了windows,所以让我的学习变得更加便捷。

一、TensorFlow的运行流程

TensorFlow运行流程分为两步，分别是构造模型和训练。

在构造阶段，我们需要去构建一个图（Graph）来描述我们的模型，然后在session中启动它。所谓图，可以理解为流程图，就是将数据的输入输出的过程表示出来

但是此时是不会发生实际运算的，因为TensorFlow是【延迟执行（deferred execution）】模型，它必须知道你要计算什么，你的执行图，然后才开始发送计算任务到各种计算机。所以你首先使用TensorFlow函数在内存中创造一个计算图，然后启动一个执行session并且使用session.run执行实际训练任务，如梯度计算等操作，在此时，图无法被改变。

1.1基本概念

1.1.1 Tensor

Tensor的意思就是张量，我的理解就是一个维数不定的矩阵，也可以理解为tensorflow中矩阵的表示形式，tensor的生成方式有很多种，之后再详细总结，举个例子


  
  
  
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      import tensorflow 
      
      
      as tf
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      a=tf.zeros(shape=[
      
      
      1,
      
      
      2])
     
     
     
    
    
    
  
  
  
  
  
  
  
   1

注意：在session.run之前，所有数据都是抽象的概念，也就是说，a此时只是表示这应该是一个1*2的零矩阵，但却没有实际赋值，所以如果此时print(a),就会出现如下情况：


  
  
  
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      print(a)
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      #==>Tensor("zeros:0", shape=(1, 2), dtype=float32)
     
     
     
    
    
    
  
  
  
  
  
  
  
   1

只有启动session后，才能得到a的值


  
  
  
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      sess=tf.Session()
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      print(sess.run(a))
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      [[ 
      
      
      0.  
      
      
      0.]]
     
     
     
    
    
    
  
  
  
  
  
  
  
   1

如果你想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。

1.1.2. Variable
当训练模型的时候，要用变量来存储和更新参数，变量包含张量（Tensor）存放于内存的缓存区，建模时它们需要被明确地初始化，模型训练后它们b必须被存储到磁盘。这些变量的值可在之后模型训练和分析时被加载。

如我要计算 y=ReLU(Wx+b)

那么W，b就是我要用来训练的参数，那么这两个值就可以用Variable来表示，Variable初始函数有很多选项，这里先不提，只输入一个tensor也是可以的

W=tf.Variable(tf.zeros((1,2)))
  
  
  
  
  
  
   1

如果


  
  
  
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      v=tf.Variable(tf.zeros((
      
      
      1,
      
      
      2)))
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      sess=tf.Session()
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      #print(sess.run(v))  #会报错，因为没对变量初始化
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      sess.run(tf.initialize_all_variables()) 
      
      
      #对所有变量初始化
     
     
     
    
    
    
   
    
    
    
     
     
     
    
    
    
    
    
    
     
     
     
      
      
      print(ses