tensorflow基本概念

一、tesorflow基本概念

二、计算图

一个机器学习任务的核心是模型的定义以及模型的参数求解方式，对这两者进行抽象之后，可以确定一个唯一的计算逻辑，将这个逻辑用图表示，称之为计算图。计算图表现为有向无环图，定义了数据的流转方式，数据的计算方式，以及各种计算之间的相互依赖关系等

三、操作

3.1 运算操作定义类操作的类型，以及参与运算的数据的类型

3.2 tensorflow中的运算符

变量运算指的是element wise运算

四、变量

4.1 创建变量

通过tf.Variables()函数创建

4.2变量初始化方式

一次性全部初始化
sess.run(tf.global_variables_initializer())
自定义初始化
由另一个变量初始化。通过变量的initial_value实行，对新的变量初始化

b = tf.Variable(tf.zeros([1]))
c = tf.Variable(b.initial_value,name='ll')

4.3变量的保存与恢复

saver.save(sess, 'my-model', global_step=step)
训练过程，根据训练的步数保存模型

保存变量tf.train.Saver()

import tensorflow as tf
import numpy as np
# 训练数据
x_data = np.float32(np.random.rand(2,100))
y_data = np.dot([0.1,0.2],x_data)+0.3
# 定义模型
b = tf.Variable(tf.zeros([1]))
w = tf.Variable(tf.random_uniform([1,2],-1,1))
y = tf.matmul(w,x_data)+b
# 定义损失函数
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.AdamOptimizer(0.01)
train = optimizer.minimize(loss)init = tf.global_variables_initializer()
saver = tf.train.Saver()# 保存变量
sess = tf.Session()
sess.run(init)
sess.run(train)
path = saver.save(sess,'./var.ckpt')# 返回保存路径
print(path)

恢复变量
saver.restore(sess,'./var.ckpt')
取变量值时，在变量名后面加:0

import tensorflow as tf
import numpy as npb = tf.Variable(tf.zeros([1]))
w = tf.Variable(tf.random_uniform([1,2],-1,1),name='w')init = tf.global_variables_initializer()
saver = tf.train.Saver()# 保存变量
sess = tf.Session()
sess.run(init)print('w_current:',sess.run(w))
# path = saver.save(sess,'./var.ckpt')# 返回保存路径
# print(path)
saver.restore(sess,'./var.ckpt')
print('w_save:',sess.run('w:0'))# 取变量值时，后面加:0

保存部分变量
保存部分变量。需要保存的变量，以字典的形式传入tf.train.Saver()
恢复部分变量
saver.restore(sess,'./part_var.ckpt')
取变量值，通过变量名取出，不是别名sess.run(b1)

import tensorflow as tf
import numpy as npb1 = tf.Variable(tf.random_uniform([1]))
b2 = tf.Variable(tf.random_uniform([1]))
w = tf.Variable(tf.random_uniform([1,2],-1,1),name='w')init = tf.global_variables_initializer()
# 保存部分变量。需要保存的变量，以字典的形式传入tf.train.Saver()
saver = tf.train.Saver({'bf':b1,'bh':b2})
sess = tf.Session()
sess.run(init)# print('w_current:',sess.run(w))
print('b1_current:',sess.run(b1))
print('b2_current:',sess.run(b2))
# path = saver.save(sess,'./part_var.ckpt')# 返回保存路径
# print(path)
s = saver.restore(sess,'./part_var.ckpt')
print('b1_save:',sess.run(b1))# 取变量值时
print('b2_save:',sess.run(b2))# 取变量值时

5 会话

5.1 会话的创建和运行

tensorflow基本概念相关推荐

机器学习速成课程 | 练习 | Google Development——编程练习：TensorFlow 编程概念
TensorFlow 编程概念学习目标: 学习 TensorFlow 编程模型的基础知识,重点了解以下概念: 张量指令图会话构建一个简单的 TensorFlow 程序,使用该程序绘制一个默认 ...
tensorflow 一些概念
原文链接: tensorflow 一些概念上一篇: Python 矩阵转图片下一篇: 基础算法为什么 c = tf.matmul(a, b) 不立即执行矩阵相乘? 在 TensorFlow 的 ...
深度学习环境搭建之常识（anaconda,cuda,cudnn,python,tensorflow等概念）
原网址 https://www.jianshu.com/p/62f155eb6ac5 1.什么是python?(面向对象语言) Python是一种面向对象的解释型计算机程序设计语言,其使用,具有跨平台 ...
机器学习算法 09-02 TensorFlow核心概念 TensorFlow基础代码、TensorFlow线性回归解析解和BGD求法
目录 1 核心概念 2 代码流程 3 基础代码: 3.1 tf的版本定义常量理解tensor 了解session 3. 2 指定设备. Variable 初始化 . with块创建sess ...
【TensorFlow学习之路】一--TensorFlow基本概念
计算图计算图是TensorFlow中最基本的一个概念,TensorFlow中的所有计算都会被转化为计算图上的节点. TensorFlow 的名字中己经说明了它最重要的两个概念一一Tensor 和 F ...
MiniFlow，帮助理解TensorFlow关键概念--图
MiniFlow 在学习TensorFlow之前,让我们学习可微分图(Differentiable graphs),这是TensorFlow用于运行和训练网络的基本抽象.我们将构建一个叫MiniFlo ...
TensorFlow 概念的解析（i.e. 缘由）
TensorFlow 基本概念解析 -- TensorFlow Machine Learning Cookbook TensorFlow 中的基本概念解析声明张量 tensorflow 中的主要数据 ...
tensorflow op tf.global_variables_initializer
一.安装目前用了tensorflow.deeplearning4j两个深度学习框架, tensorflow 之前一直支持到python 3.5,目前以更新到3.6,故安装最新版体验使用. 慢慢长征路 ...
基于Go语言来理解Tensorflow
Tensorflow并非一套特定机器学习库--相反,其属于一套通用型计算库,负责利用图形表达计算过程.其核心通过C++语言实现,同时亦绑定有多种其它语言.与Python绑定不同的是,Go编程语言绑定不 ...