上一篇:Tensorflow笔记一 -- 人工智能概述
一、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。
张量: 张量就是多维数组的表示,用“阶”表示张量的维度
0 阶张量称作标量,表示一个单独的数;
举例:S = 123
1 阶张量称作向量,表示一个一维数组;
举例:V = [1, 2, 3]
2 阶张量称作矩阵,表示一个二维数组,它可以有 i 行 j 列个元素,每个元素可以用行号和列号共同索引到;
举例:m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
判断张量是几阶的,就通过张量右边的方括号数,0 个是 0 阶,n 个是 n 阶,张量可以表示 0 阶到 n 阶数组(列表);
举例:t = [ [ [ ···] ] ]为 3 阶。
数据类型: Tensorflow 的数据类型有 tf.float32、tf.int32 等。
举例,我们实现 Tensorflow 的加法:
![e8f75e35bce94a560c03158de3454a39.png](https://img-blog.csdnimg.cn/img_convert/e8f75e35bce94a560c03158de3454a39.png)
输出结果的意思为 result 是一个名称为 add:0 的张量,shape=(2,) 表示一维数组长度为 2,dtype=float32 表示数据类型为浮点型。
计算图(Graph): 搭建神经网络的计算过程,是承载一个或多个计算节点的一张图,只搭建网络,不运算。
举例:在第一讲中我们曾提到过,神经网络的基本模型是神经元,神经元的基本模型其实就是数学中的乘、加运算。我们搭建如下的计算图:
![b489d6a962bbb31c122a0225b57182d0.png](https://img-blog.csdnimg.cn/img_convert/b489d6a962bbb31c122a0225b57182d0.png)
x1、x2 表示输入,w1、w2 分别是 x1 到 y 和 x2 到 y 的权重,y=x1 * w1 + x2 * w2。我们实现上述计算图:
![9308bb906e517f9e6827d26f56c0e6d7.png](https://img-blog.csdnimg.cn/img_convert/9308bb906e517f9e6827d26f56c0e6d7.png)
从这里可以看出,print 的结果显示 y 是一