深度学习tensorflow数据流图基础知识点

一、深度学习与机器学习区别

（一）特征提取方面

1、机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识 深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数

据从一层传递到另一层来构建更复杂的模型。通过大量数据的训练自动得到模型，不需

要人工设计特征提取环节。

2、深度学习算法试图从数据中学习高级功能，这是深度学习的一个非常独特的部

分。因此，减少了为每个问题开发新特征提取器的任务。适合用在难提取特征的图像、

语音、自然语言领域。

（二）数据方面

1、机器学习需要的执行时间远少于深度学习

2、深度学习参数往往很庞大，需要通过大量数据的多次优化来训练参数。

（三）算法方面

1、机器学习

代表：K-Means、决策树、线性回归等

2、深度学习

代表：神经网络

（四）深度学习应用场景

1、图像识别

物体识别

车型识别

人脸检测跟踪

人脸身份认证

2、自然语言处理技术

机器翻译

聊天对话

3、语音技术

语音识别

（五）常用的深度学习框架

1、 Caffe

2、Torch

3、 Theano

4、TensorFlow

5、 MXNet

6、 PaddlePaddle--百度飞浆

二、TensorFlow 框架简介

1、高度灵活（Deep Flexibility）

它不仅是可以用来做神经网络算法研究，也可以用来做普通的机器学习算

法，甚至是只要你能够把计算表示成数据流图，都可以用 TensorFlow。

2、语言多样（Language Options）

TensorFlow 使用 C++实现的，然后用 Python 封装。

3、设备支持

TensorFlow 可以运行在各种硬件上，同时根据计算的需要，合理将运算分配

到相应的设备，比如卷积就分配到 GPU 上，也允许在 CPU 和 GPU 上的计算分

布，甚至支持使用 gRPC 进行水平扩展。

4、Tensorboard 可视化

TensorBoard 是 TensorFlow 的一组 Web 应用，用来监控 TensorFlow 运行过

程，或可视化 Computation Graph。

三、tensorflow数据流图基础知识点

1、什么是tensorflow数据流图（Data Flow Graph）：
官方的解释为：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。

2、tensorflow数据流图如下所示

3、直接打印tensor相加之和，没有得到相加的结果定义一个op之后得到一个tensor，tensor包含的是op

import tensorflow as tf
import oscon_a = tf.constant(3)
con_b = tf.constant(4)con_c = tf.add(con_a,con_b)print(con_c) #Tensor("Add:0", shape=(), dtype=int32)

返回的结果为Tensor("Add:0", shape=(), dtype=int32)，而不是结果预期的数值

4、如果我们要得到运行结果，需要进行下面开启会话执行op的代码

import tensorflow as tf
import oscon_a = tf.constant(3)
con_b = tf.constant(4)con_c = tf.add(con_a,con_b)
#开启会话，执行op
with tf.Session() as ss:print(ss.run(con_c))

得到的结果为数值7。

5、会话是什么？
tensorflow底层是c++写的，而我们写的代码是python代码，所谓会话便是连接python和c++的地方。

6、关于op与tensor
op其实是操作,tensor张量的本质是n维数组。

7、tensor和session都有grap图属性，通过graph来获取图属性，如果不特殊指定，都在默认的图中执行

import tensorflow as tfcon_a = tf.constant(3)
con_b = tf.constant(4)con_c = tf.add(con_a,con_b)
print(con_a.graph)
print(con_b.graph)
print(con_c.graph)g = tf.Graph()
with tf.Session() as ss:print(ss.graph)'''
<tensorflow.python.framework.ops.Graph object at 0x000000000239F390>
<tensorflow.python.framework.ops.Graph object at 0x000000000239F390>
<tensorflow.python.framework.ops.Graph object at 0x000000000239F390>
<tensorflow.python.framework.ops.Graph object at 0x000000000239F390>
'''

8、使用get_default_graph()获取默认图的地址

import tensorflow as tfcon_a = tf.constant(3)
con_b = tf.constant(4)con_c = tf.add(con_a,con_b)
print(con_c.graph)
print(tf.get_default_graph())
g = tf.Graph()
with tf.Session() as ss:print(ss.graph)
'''
<tensorflow.python.framework.ops.Graph object at 0x000000000258F390>
<tensorflow.python.framework.ops.Graph object at 0x000000000258F390>
<tensorflow.python.framework.ops.Graph object at 0x000000000258F390>
'''

9、使用tf.Graph()创建自定义图来运行数据
在这里我们要先创建图，创建完成后在图中定义tensor和op，之后使用with tf.Session(graph=g) as ss来开启graph指定要运行的图。

import tensorflow as tf# 创建图
g = tf.Graph()
with g.as_default():#在创建的图中定义tensor和opg_a = tf.constant(5.0)print(g_a)#Tensor("Const:0", shape=(), dtype=float32)#开启graph指定要运行的图，如果我们想要得到运行的结果，必须进行下面这段代码
with tf.Session(graph=g) as ss:print(ss.run(g_a)) #5.0

10、在上述代码大体分成两个阶段
1.构建图阶段

2.执行图阶段

11、关于结果标红问题
代码运行可能出现下面的结果：I T:\src\github\tensorflow\tensorflow\core\platform\cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2

这时候加入下面两句话即可解决这个问题：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

深度学习tensorflow数据流图基础知识点相关推荐

【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（八）（TensorFlow基础））
[神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(八)(TensorFlow基础)) 8 TensorFlow基础 8.1 TensorFlow2.0特性 8.1.1 Tenso ...
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（四）（Python语言基础（2））
[神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(四)(Python语言基础(2)) 第4讲 Python语言基础(2) 4.1 内置数据结构 4.1.1 序列数据结构(sequ ...
使用深度学习TensorFlow框架进行图片识别
Apsara Clouder大数据专项技能认证:使用深度学习TensorFlow框架进行图片识别本认证系统的介绍了深度学习的一些基础知识,以及Tensorflow的工作原理.通过阿里云机器学习PAI ...
深度学习算法工程师面试知识点总结（四）
这是算法工程师面试知识点总结的第四篇,有兴趣的朋友可以看看前三篇的内容: 深度学习算法工程师面试知识点总结(一) 深度学习算法工程师面试知识点总结(二) 深度学习算法工程师面试知识点总结(三) 基于t ...
深度学习图像识别：基础知识与环境搭建
深度学习图像识别:基础知识与环境搭建 1. 深度学习的基本原理什么是人工智能? 通过学习掌握了某中技能的机器,我们认为它具备了人工智能什么是深度学习? 深度学习的概念源于人工神经网络的研究: 含多 ...
通过深度学习+TensorFlow.js对蒙娜丽莎进行动画处理
看蒙娜丽莎(Mona Lisa)画像时,你会发现她的眼睛将四处移动跟随你.这就是所谓的"蒙娜丽莎效应".为了娱乐,我们把蒙拉丽莎画像制成交互式数字肖像,通过你的浏览器和网络摄像头将 ...
深度学习算法实现———基础环境
前言: 深度学习是包含在机器学习里的一个特殊领域,他是基于人工神经网络的一种特征学习算法的领域.自卷积神经网络现世以来深度学习开始迅速发展,相比于机器学习它更适合处理超高维特征.现如今深度学习在图像. ...
【神经网络与深度学习-TensorFlow实践】-中国大学MOOC课程（十四）（卷积神经网络））
[神经网络与深度学习-TensorFlow实践]-中国大学MOOC课程(十四)(卷积神经网络)) 14 卷积神经网络 14.1 深度学习基础 14.1.1 深度学习的基本思想 14.1.2 深度学习三 ...
【AI白身境】深度学习必备图像基础
文章首发于微信公众号<有三AI> [AI白身境]深度学习必备图像基础今天是新专栏<AI白身境>的第四篇,所谓白身,就是什么都不会,还没有进入角色. 我们已经说了linux基础 ...

深度学习tensorflow数据流图基础知识点

深度学习tensorflow数据流图基础知识点相关推荐

最新文章

热门文章