Tensorflow官方文档学习理解（一）

Tensorflow是一个编程系统，使用图来表示计算任务，图中的节点被称为op(operation的缩写)，一个op可以获得0个或多个Tensor，当这个op被执行的话，也可以产生0个或多个Tensor。每个Tensor是一个类型化的多维数组。例如你可以将一小组图像集表示为一个四维的浮点数数组，这四个维度分别是[batch, height, width, channels]。

一个TensorFlow图描述了计算的过程。为了进行计算，图必须在会话里面被启动。会话将op分发到诸如CPU或GPU之类的设备上，同时提供执行op的方法。这些方法执行后，将产生的Tensor返回。在python里面，返回的是numpy ndarray对象；在C和C++语言中返回的tensor是tensorflow::tensor实例。

在tensorflow中，程序的编写通常分为两步：1.构建阶段；2.执行阶段。在构建阶段op的执行过程被描述为一张图，在执行阶段，程序通过会话执行图中的op。总的来说就是，在构建阶段创建一个图来表示和训练神经网络，然后在执行阶段反复执行图中的训练op。

构建图

构建图的第一步，是创建源op。源op不需要任何输入，例如常量（constant），源op的输出被传递给其他op做运算。

在python库中，op构造器的返回值代表被构造出的op的输出，这些返回值可以传递给其他op构造器，作为输入。下面我们举例来说明一下。

首先我们需要导入tensorflow库：

import tensorflow as tf

之后的话我们创建一个常量op，产生一个1*2的矩阵[3,3]：

matrix1 = tf.constant([[3,3]])

我们再创建另外一个op，产生一个2*1的矩阵[[2], [2]]:

matrix2 = tf.constant([[2], [2]])

我们接下来创建一个矩阵乘法的op，将之前的op的输出作为当前op的输入：

product = tf.matmul(matrix1, matrix2)

这样的话我们就构建了一张图，这张图有三个节点：两个op和一个matmul op。如果我们将product打印出来的话，我们是得不到其运算后的结果的，得到如下所示结果：

如上图所示，我们得到的是一个Tensor。所以我们到目前为止只是构建了一张图，我们接下来还需要启动这张图，启动这张图的第一步是创建一个Session对象，如果我们不加入任何参数到里面的话，我们将会启动默认图。代码如下：

sess = tf.Session()

接下来的话我们就可以通过sess.run的方法来执行矩阵乘法的op。并且在任务完成之后，我们需要关闭会话。

result = sess.run(product)
print(result)
sess.close()

输出结果：

Session在调用完成之后我们需要关闭会话，释放资源。我们可以通过更加简单的方法来实现：

with tf.Session() as sess:result = sess.run(product)print(result)

总的代码如下所示：

import tensorflow as tf
matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2], [2]])
product = tf.matmul(matrix1, matrix2)
# sess = tf.Session()
# result = sess.run(product)
# print(result)
# sess.close()
with tf.Session() as sess:result = sess.run(product)print(result)

在定义上，Tensorflow将图形定义转换成分布式执行的操作，以充分利用可用的计算资源（如CPU或GPU），并且Tensorflow会自动选择CPU或者GPU来执行。

如果机器上有超过一个可用的 GPU, 除第一个外的其它 GPU 默认是不参与计算的. 为了让 TensorFlow 使用这些 GPU, 你必须将 op 明确指派给它们执行. with...Device 语句用来指派特定的 CPU 或 GPU 执行操作:

import tensorflow as tf
with tf.Session() as sess:with tf.device("/cpu:0"):matrix1 = tf.constant([[3, 3]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1, matrix2)result = sess.run(product)print(result)

设备用字符串进行标识. 目前支持的设备包括:

• "/cpu:0" : 机器的 CPU.

• "/gpu:0" : 机器的第一个 GPU, 如果有的话.

• "/gpu:1" : 机器的第二个 GPU, 以此类推.

我的微信公众号名称：深度学习与先进智能决策
微信公众号ID：MultiAgent1024
公众号介绍：主要研究强化学习、计算机视觉、深度学习、机器学习等相关内容，分享学习过程中的学习笔记和心得！期待您的关注，欢迎一起学习交流进步！

Tensorflow官方文档学习理解（一）相关推荐

tensorflow学习笔记十7：tensorflow官方文档学习 How to Retrain Inception's Final Layer for New Categories
现代物体识别模型有数以百万计的参数,可能需要数周才能完全训练.学习迁移是一个捷径,很多这样的工作,以充分的训练模式的一组类ImageNet技术,并从现有的权重进行新课.在这个例子中,我们将从头再训练最 ...
TensorFlow官方文档中的sub 和mul中的函数已经在API中改名了
照着tensorflow 官方文档学习tensorflow时,出现问题: 第一,执行程序 #进入一个交互式Tensorflow会话 import tensorflow as tf sess = tf. ...
TensorFlow 官方文档中文版发布啦（持续维护）
TensorFlow 是 Google 研发的第二代人工智能学习系统,是 Google 为了帮助全球开发者们更加方便和高效地开发机器学习 (Machine Learning)和人工智能 (AI) 应用 ...
tensorflow官方文档_开源分享：最好的TensorFlow入门教程
如果一门技术的学习曲线过于陡峭,那么我们在入门时的场景往往是,一鼓作气,没入门,再而衰,三而竭.演绎一出从入门到放弃的败走麦城. 今天发现一个入门TensorFlow的宝藏,迫不及待的分享给大家.这个 ...
TensorFlow 官方文档中文版发布啦（持续维护） 1
TensorFlow 是 Google 研发的第二代人工智能学习系统,是 Google 为了帮助全球开发者们更加方便和高效地开发机器学习 (Machine Learning)和人工智能 (AI) 应用 ...
ZooKeeper官方文档学习笔记03－程序员指南03
我的每一篇这种正经文章,都是我努力克制玩心的成果,我可太难了,和自己做斗争. ZooKeeper官方文档学习笔记04-程序员指南03 绑定 Java绑定客户端配置参数 C绑定陷阱: 常见问题及故障 ...
ZooKeeper官方文档学习笔记01－zookeeper概述
纠结了很久,我决定用官方文档学习 ZooKeeper概述学习文档学习计划 ZooKeeper:分布式应用程序的分布式协调服务设计目标数据模型和分层名称空间节点和短命节点有条件的更新和监视 ...
Spring Boot 官方文档学习（一）入门及使用
Spring Boot 官方文档学习(一)入门及使用个人说明:本文内容都是从为知笔记上复制过来的,样式难免走样,以后再修改吧.另外,本文可以看作官方文档的选择性的翻译(大部分),以及个人使用经验及问 ...
R语言reshape2包-官方文档学习
R语言reshape2包-官方文档学习简介核心函数长数据与宽数据宽数据长数据 melt函数 meltarray meltdataframe meltdefault meltlist cast ...
HarmonyOS（一）快速开始学习鸿蒙开发，官方文档学习路线解析
系列文章目录 HarmonyOS(一):快速开始学习鸿蒙开发,官方文档学习路线解析 HarmonyOS(二):应用开发环境搭建准备 HarmonyOS(三):创建你的第一个HelloWorld应用文 ...

Tensorflow官方文档学习理解（一）

构建图

Tensorflow官方文档学习理解（一）相关推荐

最新文章

热门文章

Tensorflow官方文档学习理解 （一）

构建图

Tensorflow官方文档学习理解 （一）相关推荐

最新文章

热门文章

Tensorflow官方文档学习理解（一）

Tensorflow官方文档学习理解（一）相关推荐