关于Tensorflow

TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。

什么是数据流图（Data Flow Graph）##

数据流图用“结点”（nodes）和“线”(edges)的有向图来描述数学计算。“节点” 一般用来表示施加的数学操作，但也可以表示数据输入（feed in）的起点/输出（push out）的终点，或者是读取/写入持久变量（persistent variable）的终点。“线”表示“节点”之间的输入/输出关系。这些数据“线”可以输运“size可动态调整”的多维数据数组，即“张量”（tensor）。张量从图中流过的直观图像是这个工具取名为“Tensorflow”的原因。一旦输入端的所有张量准备好，节点将被分配到各种计算设备完成异步并行地执行运算。

tf常量变量

import tensorflow as tf
data1= tf.constant(2.5)
data2=tf.Variable(10,name='var')
print(data1)
print(data2)
>>>Tensor("Const:0", shape=(), dtype=float32)
<tf.Variable 'var:0' shape=() dtype=int32_ref>
#tensor代表张量  const代表常量  shape代表维度  dtype=float32代表当前数据类型
#var代表变量  dtype int32

tensorflow的操作都必须在session中进行

import tensorflow as tf
data1= tf.constant(2.5)
data2=tf.Variable(10,name='var')
sess=tf.Session()
print(sess.run(data1))

输出
2.5


import tensorflow as tf
data1= tf.constant(2,dtype=tf.int32)
data2=tf.Variable(10,name='var')
sess=tf.Session()
print(sess.run(data1))init=tf.global_variables_initializer()
sess.run(init)
#变量需要先初始化否则会出错print(sess.run(data2))
sess.close()

#sess的关闭 方法二  方法一为上述的close方法
import tensorflow as tfdata2=tf.Variable(10,name='var')
sess=tf.Session()
init=tf.global_variables_initializer()
with sess:sess.run(init)print(sess.run(data2))

Tensorflow实质

实质：张量Tensor+计算图grahps

tensor的实质是数据常量或者变量一维或者多维
op 对数进行操作
graphs 数据操作

四则运算

#tf常量的四则运算  加减乘除
import tensorflow as tf
data1= tf.constant(6)
data2=tf.constant(2)
dataadd=tf.add(data1,data2)
datamul=tf.multiply(data1, data2)
datasub=tf.subtract(data1, data2)
datadiv=tf.divide(data1,data2)
with tf.Session() as sess:print(sess.run(dataadd))print(sess.run(datasub))print(sess.run(datamul)) print(sess.run(datadiv))


#tf的四则运算  加减乘除
import tensorflow as tf
data1= tf.constant(6)
data2= tf.Variable(2)
dataadd=tf.add(data1,data2)
datamul=tf.multiply(data1, data2)
datasub=tf.subtract(data1, data2)
datadiv=tf.divide(data1,data2)
init=tf.global_variables_initializer()
'''变量的初始化'''
with tf.Session() as sess:print(sess.run(init))#运行起来init 才能使用print(sess.run(dataadd))print(sess.run(datasub))print(sess.run(datamul)) print(sess.run(datadiv))


#tf的四则运算  加减乘除
import tensorflow as tf
data1= tf.constant(6)
data2= tf.Variable(2)
dataadd=tf.add(data1,data2)
datacopy=tf.assign(data2,dataadd)
datamul=tf.multiply(data1, data2)
datasub=tf.subtract(data1, data2)
datadiv=tf.divide(data1,data2)
init=tf.global_variables_initializer()
'''变量的初始化'''
with tf.Session() as sess:sess.run(init)#运行起来init 才能使用print(sess.run(dataadd))print(sess.run(datasub))print(sess.run(datamul)) print(sess.run(datadiv))print('sess.run(datacopy)',sess.run(datacopy)) #  8->  data2print('datacopy.eval()',datacopy.eval())   #data2 =8   data2+data1=14print('tf.get_default_session()',tf.get_default_session().run(datacopy)) #data2=14  data2+data1=20
#   .eval  相当于 tf.get_default_session()

output:
8
4
12
3.0
sess.run(datacopy) 8
datacopy.eval() 14
tf.get_default_session() 20

placeholder

tf.placeholder(dtype, shape, name)
第一个参数代表要输入的数据的数据类型，大多数时候是float32
第二个参数代表要保存的数据的结构，只不过他和变量不一样的地方在于，她在session的运行阶段需要通过data_dict{ } 喂数据

import tensorflow as tf
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
c=tf.add(a,b)
with tf.Session() as sess:print(sess.run(c,feed_dict={a:10,b:20}))

就像前面的讲解一样，我们先弄了一个壳子，并且定义了operation为add，然后在会话(Session)中用feed_dict把数据给它。如上 a=10 b=20。

reshape

print '改成2行3列:'
print c.reshape(2,3)
print '改成3行2列:'
print c.reshape(3,2)
print '我也不知道几行，反正是1列:'
print c.reshape(-1,1)
print '我也不知道几列，反正是1行：'
print c.reshape(1,-1)
print '不分行列，改成1串'
print c.reshape(-1)

TensorFlow入门(1)相关推荐

tensorflow 入门
基本使用使用 TensorFlow, 你必须明白 TensorFlow: 使用图 (graph) 来表示计算任务. 在被称之为会话 (Session) 的上下文 (context) 中执行图. 使 ...
Tensorflow入门——训练结果的保存与加载
2019独角兽企业重金招聘Python工程师标准>>> 训练完成以后我们就可以直接使用训练好的模板进行预测了但是每次在预测之前都要进行训练,不是一个常规操作,毕竟有些复杂的模型需要 ...
TensorFlow入门：第一个机器学习Demo
TensorFlow入门:第一个机器学习Demo 2017年12月13日 20:10:23 阅读数:8604 本文主要通过一个简单的 Demo 介绍 TensorFlow 初级 API 的使用方法,因 ...
从 TensorFlow 入门机器学习
写在前面:紧跟时代步伐,开始学习机器学习,抱着争取在毕业之前多看看各个方向是什么样子的心态,发现这是一个很有潜力也很有趣的领域(keng).// 然后就开始补数学了-- 0 TensorFlow 介绍 ...
Tensorflow 入门教程
Tensorflow 入门教程 http://tensornews.cn/ 深度学习发展史特征工程深度学习之激活函数损失函数反向传播算法 [上] 反向传播算法 [下] Tensorflow ...
tensorflow入门_TensorFlow法律和统计入门
tensorflow入门 by Daniel Deutsch 由Daniel Deutsch TensorFlow法律和统计入门 (Get started with TensorFlow on law ...
TensorFlow 入门 | iBooker·ApacheCN
原文:Getting Started with TensorFlow 协议:CC BY-NC-SA 4.0 自豪地采用谷歌翻译不要担心自己的形象,只关心如何实现目标.--<原则>,生活原 ...
比官方更简洁的Tensorflow入门教程
声明: 参考自Python TensorFlow Tutorial – Build a Neural Network,本文简化了文字部分文中有很多到官方文档的链接,毕竟有些官方文档是中文的,而且写的 ...
极客兔兔 TensorFlow入门教程
TensorFlow入门(一) - mnist手写数字识别(网络搭建) TensorFlow入门(二) - mnist手写数字识别(模型保存加载) TensorFlow入门(三) - mnist手写数 ...
（转）tensorflow入门教程(二十六)人脸识别(上)
https://blog.csdn.net/rookie_wei/article/details/81676177 1.概述查看全文 http://www.taodudu.cc/news/show- ...

TensorFlow入门(1)