【机器学习入门笔记9:TensorFlow四则运算】20190216
2019-02-16 by 崔斐然
四则运算代码如下 超级简单 下面是使用session方法,另一种是使用eval方法
两种方法的差异可以百度,目前我还不需要了解,日后补充
import os
import tensorflow as tfos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
#常量的四则运算
# 定义data1 data2
data1 = tf.constant(6)
data2 = tf.constant(2)
dataAdd = tf.add(data1, data2)
dataSub = tf.subtract(data1, data2)
dataMul = tf.multiply(data1, data2)
dataDiv = tf.divide(data1, data2)
with tf.Session() as sess:print('加:',sess.run(dataAdd))print('减:',sess.run(dataSub))print('乘:',sess.run(dataMul))print('除:',sess.run(dataDiv))
print('end!')#变量的四则运算
# 定义data1 data2
data1 = tf.constant(6)
data2 = tf.Variable(2) # 定义变量data2
dataAdd = tf.add(data1, data2)
dataSub = tf.subtract(data1, data2)
dataMul = tf.multiply(data1, data2)
dataDiv = tf.divide(data1, data2)
init = tf.global_variables_initializer() # 变量初始化
with tf.Session() as sess:sess.run(init) # init放入session会话中print('加:',sess.run(dataAdd))print('减:',sess.run(dataSub))print('乘:',sess.run(dataMul))print('除:',sess.run(dataDiv))
print('end!')
下面使用eval方法。
import os
import tensorflow as tfos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'# 使用变量的eval方法
data1 = tf.Variable(2)
data2 = tf.constant(5)
data3 = tf.assign(data1, data2) # 把data2追加到data1
sess = tf.Session()
with sess:print('sess:', sess.run(data3))print('eval:', data3.eval())print('tf.get_default_session:', tf.get_default_session().run(data3))
结果如下:
sess: 5
eval: 5
tf.get_default_session: 5
【机器学习入门笔记9:TensorFlow四则运算】20190216相关推荐
- 十年公务员转行IT,自学AI三年,他淬炼出746页机器学习入门笔记
整理 | Jane 编辑 | Just 出品 | AI科技大本营(ID:rgznai100) 近期,梁劲传来该笔记重大更新的消息.<机器学习--从入门到放弃>这本笔记的更新没有停止,在基于 ...
- 机器学习入门笔记总目录
机器学习入门笔记是我参考周志华老师的<机器学习>西瓜书.李杭老师的<统计学习方法>第二版以及课程教材等资料写的. 该目录主要记录关于机器学习和算法基本概念的博客链接. ---- ...
- 机器学习入门笔记(七):聚类
文章目录 一.聚类的基本概念 1.1 相似度或距离 1.2 类或簇 1.3 类与类之间的距离 二.层次聚类 2.1 基本概念 2.1 算法描述 2.3 例题 三.K均值聚类 3.1 模型 3.2 策略 ...
- 机器学习入门笔记(五):决策树
文章目录 一.决策树模型与学习 1.1 决策树模型 1.2 决策树与 if-then 规则 1.3 决策树与条件概率分布 1.4 决策树的学习 二.特征选择 2.1 信息增益 2.2 例题:利用信息增 ...
- 机器学习入门笔记(四):朴素贝叶斯分类
文章目录 一.朴素贝叶斯法 1.1 实现原理 1.2 后验概率最大化 二.朴素贝叶斯法的参数估计 2.1 极大似然估计 2.2 学习与分类算法 2.3 朴素贝叶斯分类器例题 2.4 贝叶斯估计 推荐文 ...
- 机器学习入门笔记(三):K近邻算法
文章目录 一.K近邻算法的基本概念 1.1 K近邻算法实现 二.K近邻分类三要素 2.1 距离度量 2.2 K值的选择 2.2.1 基于m-fold cross validation的 K值选择 2. ...
- 机器学习入门笔记(二):线性模型
文章目录 一.基本形式 二.线性回归 2.1 离散属性连续化 2.2 最小二乘法 2.3 多元线性回归 2.4 广义线性模型 三.对数几率回归(逻辑回归) 3.1 最大似然估计 四.线性判别分析(LD ...
- 机器学习入门笔记(一):模型性能评价与选择
文章目录 一.训练误差与测试误差 1.1 基本概念 1.2 训练误差 1.3 泛化误差(测试误差) 1.4 过拟合 二.模型评估方法 2.1 留出法(hold-out) 2.2 正则化 2.3 交叉验 ...
- 机器学习入门 笔记(二) 机器学习基础概念
第二章 机器学习基础概念 1.机器的数据 2.机器学习的主要任务 3.监督学习和非监督学习 4.批量.在线学习.参数.非参数学习 5.哲学思考 6.环境的搭建 1.机器的数据 我们以鸢尾花的数据为例. ...
- 机器学习入门笔记 人工智能 黑马程序员
机器学习入门笔记 前言 这个是根据"黑马程序员"的一套机器学习课程编写的博客.这篇博客上的案例均为课程里面的,但并没有包含所有案例,只是记录了部分. B站视频地址 文章目录 机器学 ...
最新文章
- C++中的基本数据类型介绍
- phpStudy在linux下的使用说明
- java程序如何优化--技巧总结
- HDOJ---1273 漫步森林[图论]
- leetcode--872. 叶子相似的树
- python 画布 保存_Python Tkinter使用PIL将画布保存为图像
- vue 前端设置允许跨域_web 前端的一些小问题
- java 字符串匹配_多模字符串匹配算法原理及Java实现代码
- 算术基本定理“质数分解唯一性的证明”:古典方法与现代方法
- hibernate的数据关联映射
- Nacos 配置中心原理分Nacos 配置中心原理分析析
- 企业安全三步走 惠普重新思考安全战略
- 小程序的学习资料收集
- 可爱精灵宝贝 动态规划讲解
- 使用Canal ClientAdapter实现Mysql的DDL、DML同步到PostgreSQL
- CodeForces #379(734A|734B|734C|734D|734E|734F)|二分查找|模拟|树的半径|位运算
- “我转行做测试开发的这一年多,月薪5K变成了24K”,文科女生的自白
- codeforces 76A Gift 最小生成树
- Linux setup jdk environment
- 如何处理好与时间的关系?