TensorFlow基础入门概念

一.基本概念

TensorFlow是一个开源数据库,用于使用数据流图进行数值计算。图中的节点表示数学运算,而图边表示在它们之间传递的多维数据数组(张量,tensor)。

  • 图(graph)来表示计算任务
  • 在被称之为会话(Session)的上下文(context)中执行图
  • tensor表示数据
  • 使用feed和fetch可以为任意的操作赋值或从其中获取数据

图中的一个节点称之为op(operation),一个op可以获得0个或多个tensor,执行计算产生0个或多个tensor(一个n维的数组或列表),graph必须在Session中被启动。

二.主要数据结构—-张量

  • 在tensorflow中,一个张量就是一个张量类的实例,是绑定了相关运算的一个特定类型的多维数组。
  • 所有的张量都有一个静态的类型和动态的维数

1.张量的阶rank
阶为1的张量等价为向量,2为矩阵…
2.张量的形状shape
3.张量的数据类型type
4.创建新的张量
既可以从numpy中继承,也可以创建
tf.convert_to_tensor:该方法将python对象转化为tensor对象,他的输入可是tensor对象,numpy数组,Python列表和python标量
这里写图片描述

三.TensorFlow的数据流图

  • 符号化的表示了模型的计算是如何工作的。
  • 计算图(computing graph)通常并不需要直接构建Graph对象,而是由用户在创建张量(tensor)和操作(op)时自动创建的。
  • 张量构造函数(如tf.constant())将向默认的计算图添加必要的元素
    c=tf.matmul(a,b)创建一个matmul类型的操作
    tf.Operation.type 返回操作的类型
    tf.Operation.inputs 输入张量对象列表
    tf.Graph.get_operations() 计算图中的操作列表
    tf.Graph.version 返回计算图的版本信息

四、数据供给机制Feed

  • 将feed的数据作为参数传入run函数
    最常见:tf.placeholder()创建特点的feed操作的方法

五、变量

  • 特殊的操作,返回一个持久的、可变的张量句柄,存活于多次计算图执行之中。
  • 模型的参数通常存储于常量中,在训练阶段被更新。
    tf.Variable()
  • 所有的变量需要初始化
    tf.global_variables_initializer()

六、保存数据流图

协议缓存(protocol buffers)
tf.Graph.as_graph_def(from_version=None,add_shapes=False):返回一个序列化的计算图表示GraphDef。

七、运行我们的程序——会话

Session对象是运行环境的表示。
s = tf.Session().run()

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值