神经网络基础

神经网络基础

核心概念（Data Flow Graph数据流图）

Data Flow Graph数据流图

该图片为数据流图，表示输入s1和s2，进行s3 = s1*s2，s4 = s1+s2然后输出到下一层，完成s4+s3
在这里面只是将计算方式进行了定义，并没有进行一个执行，也就是计算的定义和执行是分开的
而TensorFlow运行时候就是以数据流图来实现的

计算图

import tensorflow as tf

'''在即将到来的TensorFlow2.0中将对部分机制做出重大调整，
其中之一就是将原有的静态图机制调整为动态图机制，这将使得TensorFlow更加灵活和易用，
在2.0版本到来之前，我们可以通过 tf.enable_eager_execution() 方法来启用动态图机制。
不然会报错（报图为空的错误）
'''
tf.compat.v1.disable_eager_execution()
#定义一图完成3,5的相加，这里的a只是完成了定义，并没有运算（图计算的定义）
a = tf.add(3,5)
#当调用tf.compat.v1.Session()开始进行图计算的执行（进入打开图）
with tf.compat.v1.Session() as sess:
    #运算a
    a = sess.run(a)
print(a)

结果为

在这里可以看到TensorFlow的图是需要流动也就是Session后才可以开始运算

图的运行的依赖会自动找它需要的依赖自动执行，例如要想得到c那么要先得到a和b，TensorFlow会自动完成所需依赖a和b的运算，不需要主动run它们

import tensorflow as tf

tf.compat.v1.disable_eager_execution()
x = 2
y = 3
a = tf.add(x,y)
b = tf.multiply(x,y)
c = tf.pow(a,b)
with tf.compat.v1.Session() as sess:
    #运算a
    c = sess.run(c)
print(c)

Tensor（张量）

在TensorFlow中可以理解为一个n维矩阵

这里的3维、4维等并不一定代表时间序列等，上图只是举例