Tensorflow框架-张量、计算图、会话

                                                     张量、计算图、会话

    基于Tensorflow的NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重(参数)，得到模型。

一、张量：

    1、张量(tensor)：多维数组(列表)。阶：张量的维数。

维数	阶	名字	例子
0-D	0	标量 scalar	s = 123
1-D	1	向量 vector	v = [1, 2, 3]
2-D	2	矩阵 matrix	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
n-D	n	张量 tensor	t = [[1, 2, 3], [4, 5, 6], [7, 8, 9]...]        [[[[....（n个）

        张量可以表示0阶到n阶数组（列表）

    2、vim编辑器设置：

        vim ~/.vimrc  写入：

        set ts=4    # 使Tab等效于四个空格

        set nu       # 使vim显示行号

    3、数据类型：

        (1) 有符号整型：

数据类型	描述
tf.int8	8位有符号整型
tf.int16	16位有符号整型
tf.int32	32位有符号整型
tf.int64	64位有符号整型
tf.qint8	量化的8位有符号整型
tf.qint16	量化的16位有符号整型
tf.qint32	量化的32位有符号整型

        (2) 无符号整型：

数据类型	描述
tf.uint8	8位无符号整型
tf.uint16	16位无符号整型
tf.uint32	32位无符号整型
tf.uint64	64位无符号整型
tf.quint8	量化的8位无符号整型
tf.quint16	量化的16位无符号整型
tf.quint32	量化的32位无符号整型

        (3) 浮点型：

数据类型	描述
tf.float16	16位半精度浮点数
tf.float32	32位单精度浮点数
tf.float64	64位双精度浮点数
tf.bfloat16	16位截断浮点数

        (4) 字符串型： 

        (5) 布尔型：    

        (6) 复数型：         

        (7) 句柄：     

        (8) 任意类型的值：          

    4、张量计算：                

import tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])

result = a + b
print(result)

# 1.0运行结果：
Tensor("add:0", shape=(2,), dtype=float32)
# 2.0运行结果：
tf.Tensor([4. 6.], shape=(2,), dtype=float32)

    对应数学计算：

        

二、计算图：

    1、计算图(Graph)：搭建神经网络的计算过程，只搭建，不运算。

    

        y = =

    2、实例：       

import tensorflow as tf

x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])

y = tf.matmul(x, w)
print(y)

# 1.0运行结果：
Tensor("MatMul:0", shape=(1, 1), dtype=float32)
# 2.0运行结果：
tf.Tensor([[11.]], shape=(1, 1), dtype=float32)
# 注释：
tf.matmul：矩阵相乘

        对应数学公式：

            

三、会话：

    1、会话(Session)：执行计算图中的节点运算。2.0版本取消了会话 

        语法：

            with tf.Session() as sess:

                print(sess.run(y))

    2、示例：

import tensorflow as tf

x = tf.constant([[1.0, 2.0]])
w = tf.constant([[3.0], [4.0]])

y = tf.matmul(x, w)
print(y)

with tf.Session() as sess:
     print(sess.run(y))

# 运行结果：
Tensor("MatMul:0", shape=(1, 1), dtype=float32)
[[11.]]