tensorflow筆記
**Tensorflow基礎： Tensorflow三個基礎核心概念：計算圖、Tensor、Session 計算圖： 在TensorFlow中，計算圖是一個有向圖，用來描述計算節點以及計算節點之間的關系，所以在TensorFlow中我們存儲一個值或者數組的時候，存的其實是這個值或者數組的計算圖而不是其本身的數字。我們可以用寫一個簡單的例子來驗證一下： #GPU版本 import tensorflow as tf g=tf.Graph() with g.device("/gpu:0"): #c=lambda a,b:a+b d=tf.constant([10,9,8,7]) e=tf.constant([1,2,3,4]) f_1=d+f print(f_1.graph) print(d.graph,e.graph) sess=tf.Session() print(sess.run(f_1)) #CPU版 import tensorflow as tf a=tf.constant([1,2,3,4],name='a') b=tf.constant([0,1,2,3],name='b') c=a+b print(a.graph,b.graph) print(c.graph) sess=tf.Session() print(sess.run(c)) 關于計算圖的操作 1、新建計算圖:g=tf.Graph()，但是不同計算圖上的張量是不能共享的,這個是存在于變量 2、指定計算圖的使用的device:with g.device("/gpu:0"): 3、設置默認計算圖:with g.as_default: 4、在會話中可以指定使用的計算圖:with tf.Session(graph=g1): 對于以上操作用代碼說話，建議大家和我一起寫，這樣才會有比較大的體會和能夠記住， import tensorflow as tf g1=tf.Graph() with g1.as_default(): a=tf.constant([1,2,3],name="a")#用常量試試看 b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [1]))#用變量試試看 g2=tf.Graph() with g2.as_default(): a=tf.constant([2,3],name="a")#用常量試試看 b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [3]))#用常量試試看 with tf.Session(graph=g2) as sess: with g1.device("/cpu:0"): tf.global_variables_initializer().run() c=a+1 print("常量的情況下",sess.run(c)) with tf.variable_scope("", reuse=True): print("變量情況下",sess.run(tf.get_variable("b"))) with tf.Session(graph=g2) as sess: with g2.device("/gpu:0"): tf.global_variables_initializer().run() c=a+1 print("常量的情況下",sess.run(c)) with tf.variable_scope("", reuse=True): print("變量情況下",sess.run(tf.get_variable("b"))) 張量： 張量（tensor）可以簡單理解為多維數組。其中零階張量表示標量（scalar），也就是一個數；一階張量為向量（vector），也就是一維數組；第n階張量可以理解為一個n維數組。但是張量在Tensorflow中的實現并不是直接采用數組的形式，它只是對Tensorflow中運算結果的引用。在張量中并沒有真正保存數字，它保存的是如何得到這些數字的計算過程。 import tensorflow as tf a=tf.constant(2,name='a') b=tf.constant([0,1,2,3],name='b') c=a*b print(a,b) print(c) sess=tf.Session() print(sess.run(c)) 會話： 在TensorFlow中，計算圖的計算過程都是在會話下進行的，同一個會話內的數據是可以共享的，會話結束計算的中間量就會消失。 在TensorFlow需要指定會話。 import tensorflow as tf with tf.Session as sess: print(sess.run(result)) sess=tf.Session() with sess.as_default(): print(result.eval()) sess = tf.InteractiveSession()#會自動成為默認會話 TensorFlow 基礎API介紹 我們這個課程的是將TensorFlow的高階API，但是由于在我們的應用案例中不可能都是高階API，還會涉及到一些常用必須的基礎的API，我們在開始講高階API之前也先簡單講一下低階的基礎API.根據TensorFlow官網以及在日常的編程中的使用情況，我梳理了以下需要掌握的TensorFlow基礎API: tf.Graph(): tf.Graph.device(): tf.Graph.as_default(): tf.Session(): tf.Session.run(): tf.Session.as_default(): tf.InteractiveSession(): tf.constant(): tf.variable(): tf.get_variable(): tf.placeholder(): tf.agrmax tf.train() tf.nn() 前面我們在講解計算圖、張量、會話時有些基礎的API已經講解了，在這里我們就不重復講。我們這里重點講一下tf.train和tf.nn這兩個非常重要的API.**
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
API TensorFlow
版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。
版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。
相關文章
