14. 深度学习——Tensorflow基础（笔记）

1、认识Tensorflow

1.1 Tensorflow特点

2、Tensorflow

关闭警告

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

2.1 图

代码

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
a = tf.constant(3.0)
b = tf.constant(2.0)
sum = tf.add(a, b)

print(sum)
print(tf.get_default_graph())
print(sum.graph)
with tf.Session() as sess:
    print(sess.run(sum))
    print(sess.graph)

# 新创建一张图
g = tf.Graph()
with g.as_default():
    a = tf.constant(1.0)
    print('新图的内存地址', a.graph)

结果

C:\Users\FCX-PC\Envs\tensorflow\Scripts\python.exe F:/测试.py
Tensor("Add:0", shape=(), dtype=float32)
<tensorflow.python.framework.ops.Graph object at 0x00000146A0C0C0F0>
<tensorflow.python.framework.ops.Graph object at 0x00000146A0C0C0F0>
5.0
<tensorflow.python.framework.ops.Graph object at 0x00000146A0C0C0F0>
新图的内存地址 <tensorflow.python.framework.ops.Graph object at 0x00000146C7475A58>

Process finished with exit code 0

可以看出sum 和sess 以及整张图的内存地址都是一样的。注册一张图，就是在内存中分配一段内存使用。

2.2 图的创建

代码见上文

什么是op

2.3 会话

2.4 Tensorflow Feed操作

2.4 张量

Tensorflow基本的数据格式

张量的阶就是数组的维数

常用用红框框出来

张量可以调用的方法

需要注意tensorflow中打印出来的张量形状大小的显示。

2.5 张量的动态形状与静态形状

动态性状和静态形状：在于有没有⽣生成⼀一个新的张量量数据

调用tf.Tensor.set_shape()设置完张量的静态形状后，张量的形状不可以改变。动态形状用函数tf.reshape（），和numpy中改变形状的函数reshape()区别在于，numpy中是再原来的基础上改变，而张量是创建一个新的，原来的不变。

但是在使用reshape 的时候都要满足改变前后总的元素数是一样的

2.6 张量操作

生成张量


张量变换

基本上都是用万能转换类型

2.7 变量

• 变量也是一种OP，是一种特殊的张量，能够进行存储持久化，它的值就是张量,默认被训练

在会话中初始化边变量

2.8 可视化学习Tensorboard