TensorFlow筆記-03-張量,計算圖,會話

TensorFlow筆記-03-張量,計算圖,會話

• 搭建你的第一個神經網絡，總結搭建八股
• 基於TensorFlow的NN：用張量表示數據，用計算圖搭建神經網絡，用會話執行計算圖，優化線上的權重（參數），獲得模型
• 張量（tensor）：多維數組（列表）
• 階：表示張量的維數

·· 維 數 ···· 階 ········· 名 字 ········· 例 子 ············
·· 0-D ······ 0 ····· 標量 scalar ···· s=1 2 3
·· 1-D ······ 0 ····· 向量 vector ···· s=[1,2,3]
·· 2-D ······ 0 ····· 矩陣 matrix ···· s=[ [1,2,3], [4,5,6],[7,8,9] ]
·· n-D ······ 0 ····· 標量 tensor ···· s=[[[[[....n個

• 張量能夠表示0階到n階的數組（列表）
• **數據類型：Tensorflow 的數據類型有 tf.float32，tf.int32 等

案例：兩個張量的加法

• 代碼tf02文件：https://xpwi.github.io/py/TensorFlow/tf02.py

# 兩個張量的加法
import  tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])

result = a+b
print(result)

運行結果：

• 結果分析：
  

計算圖

• 計算圖（Graph）：搭建神經網絡的計算過程，是承載一個或多個計算機結點的一張圖，只搭建網絡，不運算
• 這裏要提到另外一個概念：神經元 （不是很好理解，慢慢就懂了）
• 神經網絡的基本模型的神經元，神經元的基本模型其實就是數學中的乘加運算
• 咱們搭建以下計算圖：
  
• X1，X2 表示輸入，W1，W2分別是X1到X2的權重

• 該計算圖表示：y = X1W1 + X2W2
  （不能理解就記住，該計算圖表示上面的這種含義）

• 代碼tf03文件：https://xpwi.github.io/py/TensorFlow/tf03.py

# 兩個張量的加法
import  tensorflow as tf

# x 是一個一行兩列的張量
x = tf.constant([[1.0, 2.0]])
# x 是一個兩行一列的張量
w = tf.constant([[3.0], [4.0]])

'''
構建計算圖，但不運算
y = XW
 = x1*w1 + x2*w2
'''
# 矩陣相乘
y = tf.matmul(x, w)
print(y)

運行結果

Tensor("MatMul:0", shape=(1, 1), dtype=float32)

會話

• 會話（Session）：執行計算圖中的結點運算

• 咱們用 with 結構實現，語法以下：

  with tf.Session() as sess :
  print(sess.run(y))

• 意思是：將 tf.Session 記爲 sess，調用 tf.Session 下的 run 方法執行 y，y 也就是上面的計算圖，也就是那個表達式

• 代碼04文件：https://xpwi.github.io/py/TensorFlow/tf04.py

# 兩個張量的加法
import  tensorflow as tf

# x 是一個一行兩列的張量
x = tf.constant([[1.0, 2.0]])
# x 是一個兩行一列的張量
w = tf.constant([[3.0], [4.0]])

'''
構建計算圖，但不運算
y = XW
 = x1*w1 + x2*w2
'''
# 矩陣相乘
y = tf.matmul(x, w)
print(y)

# 會話：執行節點運算
with tf.Session() as sess:
    print(sess.run(y))

運行結果

• y = 1.03.0 + 2.04.0 = 11
  
• 咱們能夠看到打印出了運算結果

更多文章：Tensorflow 筆記

---

• 本筆記不容許任何我的和組織轉載