Tensorflow基础语法和概念
Tensorflow基础语法和概念
一些说明:学习tensorflow用到的Python语法,请参考这篇博客
计算图模型
Tensorflow
的构建的机器学习模型都是有向图模型,在Tensorflow
中,一个图的每个节点都代表一个计算操作,图的边代表数据的流向。使用计算图可以根据操作间的实际依赖关系进行有选择的计算操作,节约计算资源。
Graphs, Sessions, and Fetches
使用Tensorflow
框架主要包含两个过程:创建一个图模型和执行该图模型。
创建并执行图模型
示例代码:
import tensorflow as tf# 这里的三个常量是3个图结点
a = tf.constant(5)
b = tf.constant(3)
c = tf.constant(3)# 这里的三个计算也是3个图结点
d = tf.multiply(a, b)
e = tf.add(c, b)
f = tf.subtract(d, e)# 执行图模型
sess = tf.Session()
outs = sess.run(f)
sess.close()# 输出结果
print("outs = {}".format(outs))
计算图模型需要建立在Tensorflow
的一个Session中,运行时调用run()
,使用完后要用close()
进行关闭。run()
函数的参数只需要标明我们需要的对象即可,比如上面我们需要f
上述的图模型为:
加减操作等也可以使用符号简化:
构造并管理图模型
当我们导入Tensorflow
的时候,Tensorflow
就会自动为我们创建一个计算图。我们可以自己创建额外的图模型,并进行有关的操作。tf.Graph()
是创建新图的命令,图是Tensorflow
的一个对象。
import tensorflow as tf
print(tf.get_default_graph())
g = tf.Graph() # 建立一个新图
print(g)
Fetches
在上述的图模型中,我们有一个特殊的结点f
作为run()
的参数,这个参数称为Fetches。我们可以自定义一个参数列表,来输出需要的结点信息。
with tf.Session() as sess:fetches = [a, b, c, d, e, f] # 标明需要计算的结点,作为一个fechesouts = sess.run(fetches)
print("outs={}".format(outs))
张量流
图模型的结点是操作,边是张量对象
在图模型中,只有当计算图执行时,图结点的操作才会执行。在设计图模型的阶段,结点的计算过程不会执行,而且结点之间也没哟数据流传递。
数据类型
使用tf.cast()
可以进行数据类型的转换。
张量数组和形状
张量可以理解成高维数组。除非进行显式说明,否则Tensorflow
自动进行形状类型推断。当进行高维数组输入输入时,一般使用Python中的list
或者Numpy中的数组作为输入。
import numpy as np
import tensorflow as tfc = tf.constant([[1, 2, 3],[4, 5, 6]])
print("python list input: {}".format(c.get_shape()))c = tf.constant(np.array([[[1, 2, 3],[4, 5, 6]],[[1, 1, 1],[2, 2, 2]]]))
print("3d NumPy array input: {}".format(c.get_shape()))
输出:
python list input: (2, 3)
3d NumPy array input: (2, 2, 3)
注意一点,高维数组的形状的顺序不要弄反了。
矩阵乘法
import tensorflow as tfA = tf.constant([[1, 2, 3],[4, 5, 6]])
print(A.get_shape())x = tf.constant([1, 0, 1]) # 这里的x是一维向量
print(x.get_shape())
x = tf.expand_dims(x, 1) # 转换成二维的单列矩阵
print(x.get_shape())b = tf.matmul(A, x)sess = tf.InteractiveSession()
print("matmul result:\n{}".format(b.eval()))
sess.close()
输出:
(2, 3)
(3,)
(3,1)
matmul result:
[[ 4]
[10]]
上述代码说明:在Tensorflow
中,只有维数相同的数据元素才能进行加减乘除等的运算。InteractiveSession()可以让我们不必使用变量来表示Session,就可以直接计算想要的数值。
命名
每一个张量对象都有一个唯一的标识名。比如:
import tensorflow as tfwith tf.Graph().as_default():c1 = tf.constant(4, dtype=tf.float64, name='c')c2 = tf.constant(4, dtype=tf.int32, name='c')
print(c1.name)
print(c2.name) # 自动更新命名
输出:
c:0
c_1:0
命名空间:在图模型非常复杂,且单一的命名会起冲突的时候使用。类比C++的命名空间
import tensorflow as tfwith tf.Graph().as_default():c1 = tf.constant(4, dtype=tf.float64, name='c')with tf.name_scope("prefix_name"): # 建立命名空间c2 = tf.constant(4, dtype=tf.int32, name='c')c3 = tf.constant(4, dtype=tf.float64, name='c')print(c1.name)
print(c2.name)
print(c3.name)
输出:
c:0
prefix_name/c:0
prefix_name/c_1:0
变量, 占位符
张量有两种重要的类型:变量和占位符。
变量:
与变量相区别的是之前代码中的常量,常量的数值不会发生改变。变量的值可以进行更新,并且可以存储到磁盘中,之后还可以从磁盘中读取。
使用变量需要两个步骤:
1. 使用tf.Variable()
函数创建一个变量,并且定义它的初始化数值
2. 显式地初始化,在一个Session
中运行tf.global_variables_initializer()
,为变量分配内存空间和初始化数值 。
这里的变量和C/C++中的概念类似。
import tensorflow as tfinit_var = tf.random_normal((1, 5), 0, 1)
var = tf.Variable(init_var, name='var')
print("pre run:\n{}".format(var)) # 只是声明了,没有占用实际的空间init = tf.global_variables_initializer()
with tf.Session() as sess:sess.run(init) # 分配内存空间,初始化数值post_var = sess.run(var)print("\npost run:\n{}".format(post_var))
占位符 Placeholder:
占位符主要用于训练模型时获取数据。我们可以认为占位符也是变量的一种,不过它的数据需要在训练的实际过程中进行填充。占位符有一个shape
参数,该参数如果不填写或者填写None
的话,这个占位符可以填充任意尺寸的数据。None
参数在输入矩阵时很常用。
比如
ph = tf.placeholder(tf.float32, shape=(None, 10))
定义的占位符必须进行数据填充,否则会抛出异常。填充输入数据需要使用Session.run()
方法,内部是一个字典的结构:关键字是占位符的名字,填充数据以python中的list
形式或者Numpy中的array
形式。比如:
sess.run(ph, feed_dict={x: X_data, w: w_data})
下面给出一个完整的例子:
import tensorflow as tf
import numpy as npx_data = np.random.randn(5, 10)
w_data = np.random.randn(10, 1)with tf.Graph().as_default():x = tf.placeholder(tf.float32, shape=(5, 10))w = tf.placeholder(tf.float32, shape=(10, 1))b = tf.fill((5, 1), -1.)xw = tf.matmul(x, w)xwb = xw + bs = tf.reduce_max(xwb)with tf.Session() as sess:outs = sess.run(s, feed_dict={x: x_data, w: w_data})print("outs = {}".format(outs))
outs
填充数据的时候,是以python中dict
的格式进行的,要把包含的所有占位符都进行填充。
Tensorflow基础语法和概念相关推荐
- Ajax和JSON-学习笔记03【JSON_基础语法】
Java后端 学习路线 笔记汇总表[黑马程序员] Ajax和JSON-学习笔记01[原生JS方式实现Ajax] Ajax和JSON-学习笔记02[JQuery方式实现Ajax] Ajax和JSON-学 ...
- 【JAVA学习】1、零基础入门Java 基础语法:概念、规则、格式
[JAVA学习]1.零基础入门Java 基础语法 前言 JAVA开发环境选择 Java 基础概念 Java 标识符 Java修饰符 基础代码模板框架 命名规则 基础规则 后端开发规则 代码格式 前言 ...
- python学完面向对象之后_Python学完基础语法后,再往后应该学什么?
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 第一阶段:Python语言及应用 课程内容:Python语言基础,面向对象设计,多线程编程,数据库交互技术,前端特效,Web框架,爬虫框架,网络编程 掌握 ...
- TensorFlow基础剖析
TensorFlow基础剖析 一.概述 TensorFlow 是一个使用数据流图 (Dataflow Graph) 表达数值计算的开源软件库.它使用节点表示抽象的数学计算,并使用 OP 表达计算的逻辑 ...
- 资源 | Intel发布AI免费系列课程3部曲:机器学习基础、深度学习基础以及TensorFlow基础
翻译 | AI科技大本营(公众号ID:rgznai100) 校对 | 成龙 编辑 | 明明 Intel于近期发布了三门AI系列的免费课程,分别是关于机器学习基础.深度学习基础.TensorFlow基础 ...
- 深入浅出CMake(二): 基础语法
在<深入浅出CMake(一):基础篇>文章中,我们已经知道了怎么依葫芦画瓢编写简单的 CMake 构建文件了,但如果应对复杂的工程的话,这还是远远不够的. CMake 是一套编译构建体系, ...
- Python基础语法学习笔记
Python基础语法学习笔记 想淘宝省钱看我简介,博客www.liangxin.name (一) 一.Print()函数 1.数字可以直接输出,无需加引号 只能理解数字,却读不懂文字.因为数字和数学运 ...
- python 条件表达式换行_Python基础语法 - LongKing-Xu的个人空间 - OSCHINA - 中文开源技术交流社区...
python基础语法 一.标识符 在Python中,所有标识符可以包括英文.数字以及下划线(_),但不能以数字开头. 在Python中的标识符是区分大小写的. 在Python中以下划线开头的标识符是有 ...
- python turtle基本语法_Python 基础语法-turtle篇
Python 基础语法-turtle篇 今天这节课主要讲了类的概念,并引出turtle中的函数和Turtle类. -创建一个Turtle类:brad=turtle.Turtle() -定义Turtle ...
最新文章
- 基于 OpenCV 的图像阴影去除
- LeetCode 746. Min Cost Climbing Stairs--动态规划--Java,C++,Python解法
- [luogu4571 JSOI2009] 瓶子和燃料 (数论)
- 2019ug最新版本是多少_UGNX将在2019年发布最新版本,也是最后一个版本,让人更意想不到的是它的这项新功能!...
- python装饰器作用-什么是Python装饰器,有什么作用?
- QT写入cmd命令并且调用,以及指定路径新建文件夹
- Kotlin 继续助力 Android 开发,并计划涉足更多领域
- capture RGBD data with opencv4.1.1 from XTION2 on windows 10
- linux的使用 --- 安装git
- 使用windows Builder的一个中文乱码问题解决
- 中学计算机基础知识,初中信息技术学业水平考试计算机基础知识考点大全(重点汇总)...
- matlab输出动态gif图片
- ​大话中国骨干网(下)(转)​
- IDEA创建SSM(Spring+SpringMVC+Mybatis)项目-Jar包版
- fastboot命令汇总
- python3文件路径操作常用方法带示例详解(os.path模块,os.listdir,os.walk,os.scandir方法等)(不定期更新整理中)
- 华为云图引擎服务 GES 实战——创图
- android9壁纸存放路径,Android基础入门教程——10.9 WallpaperManager(壁纸管理器)
- matlab学习笔记之——符号函数应该怎么作图?
- 微信小程序中引入ttf字体