tensorflow学习笔记（1）：tensorflow基础与介绍

最新推荐文章于 2023-04-27 15:41:15 发布

submarineas

最新推荐文章于 2023-04-27 15:41:15 发布

阅读量1.2k

点赞数 2

分类专栏：机器学习

本文链接：https://blog.csdn.net/submarineas/article/details/93404008

版权

引言
tensorflow介绍
tensorflow代码示例

引言

作为深度学习方面比较全面的几个框架之一，相比于Keras、pytorch、caffe等库，TensorFlow的优势在于它有一个良好的生态，并且具有一个强大的背景，虽然难度也更高，Keras算是最简单的一个搭建模型的方式，因为它省略了很多中间过程，是Deep learning犹如搭积木，但也因此具有一定局限性，而TensorFlow到目前使用人数还是最多，解决效率高，是Google第二代大规模分布式深度学习框架，具有如下四个特点：

灵活通用的深度学习库
端云结合的人工智能引擎
高性能的基础平台软件
跨平台的机器学习系统

tensorflow介绍

TensorFlow是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]。例如下图中的cde皆为op，意思是（3+5）+ 3*5 = 23，但在TensorFlow中需要注意的是计算定义！= 执行计算，也就是说cde节点并不能打印出计算结果。
在这里插入图片描述

tensor张量

张量（tensor）是TensorFlow管理数据的形式，在TensorFlow所有程序中，所有的数据都是通过张量的形式来表示。从功能的角度上来看，张量可以被简单理解为多维数组。其中零阶张量表示标量，也就是一个数；一阶张量表示一个向量，也就是一个一维数组；n阶张量可以理解为一个n维数组。但张量在TensorFlow中的实现并不是直接采用数组的形式，它只是对TensorFlow中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。

张量主要有三个属性：名字（name）、维度（shape）和类型（type）。如：Tensor(“add:0”, shape=(2,), dtype=float32)就是一个二维矩阵，这个就是一个张量，相同的，下表可以知道张量的具体形式：

阶	数学实例	Python 例子
0	纯量 (只有大小)	s = 483
1	向量(大小和方向)	v = [1.1, 2.2, 3.3]
2	矩阵(数据表)	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3阶张量 (数据立体)	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n阶	依照前面的例子想象

再可以看一个实例说明：

node1 = tf.constant(3.0, dtype=tf.float32)
node2 = tf.constant(4.0)# also tf.float32 implicitly
print(node1, node2)
"""
Tensor("Const_6:0", shape=(), dtype=float32) Tensor("Const_7:0", shape=(), dtype=float32)
"""

node3 = node1 + node2
print(node3)
"""
Tensor("add:0", shape=(), dtype=float32)
"""

上述正常应该是Const_0:0和Const_1:0，因为我之前定义过常量，所以现在才会往后推。而我们可以看到第二个例子中node3的tensor的表示，它相加的结果并没有显示出来，那么就要引入会话的概念了。

session会话

Session会话是tensorflow里面的重要机制，tensorflow构建的计算图必须通过Session会话才能执行，如果只是在计算图中定义了图的节点但没有使用Session会话的话，就不能运行该节点。比如在tensorflow中定义了两个矩阵a和b，和一个计算a和b相加的c节点，如果想要得到a和b的相加结果ÿ