TensorFlow1

ashe 發(fā)布于2019-07-30 14:51 / 1602人閱讀

摘要：是一個(gè)開(kāi)源軟件庫(kù)，它使用數(shù)據(jù)流圖的形式進(jìn)行數(shù)值計(jì)算。什么是數(shù)據(jù)流圖節(jié)點(diǎn)表示數(shù)學(xué)運(yùn)算操作符邊用于傳送節(jié)點(diǎn)之間的多維數(shù)組，即張量。安裝版本版本檢查安裝以及版本利用打印創(chuàng)建一個(gè)運(yùn)算符這個(gè)，作為一個(gè)，添加到中啟動(dòng)進(jìn)程運(yùn)行，并輸出結(jié)果表示字節(jié)符。

TensorFlow

Tensorflow是一個(gè)開(kāi)源軟件庫(kù)，它使用數(shù)據(jù)流圖的形式進(jìn)行數(shù)值計(jì)算。

什么是數(shù)據(jù)流圖（Data Flow Graph）

節(jié)點(diǎn)（Nodes）：表示數(shù)學(xué)運(yùn)算操作符

邊（Edges）：用于傳送節(jié)點(diǎn)之間的多維數(shù)組，即張量。

安裝TensorFlow

CPU版本：pip install --upgrade tensorflow

GPU版本：pip install --upgrade tensorflow-gpu

檢查安裝以及版本

>>> import tensorflow as tf
>>> tf.__version__
"1.3.0"

利用TensorFlow打印‘Hello World！’

# 創(chuàng)建一個(gè)constant運(yùn)算符(op)
# 這個(gè)op，作為一個(gè)node，添加到graph中
hello = tf.constant("Hello, TensorFlow!")

# 啟動(dòng)TF進(jìn)程（session）
sess = tf.Session()

# 運(yùn)行op，并輸出結(jié)果
print(sess.run(hello))

b"Hello, TensorFlow!"

b"String": "b"表示字節(jié)符。

計(jì)算圖（Computational Graph）

# 1.使用TensorFlow運(yùn)算符op搭建graph
node1 = tf.constant(3.0, tf.float32)
node2 = tf.constant(4.0)
node3 = tf.add(node1, node2)

# 2.丟入數(shù)據(jù)，并運(yùn)行g(shù)raph：sess.run(op)
# 3.自動(dòng)更新graph中的變量并返回
sess = tf.Session()
print("sess.run(node1, node2):", sess.run([node1, node2]))
print("sess.run(node3):", sess.run(node3))

sess.run(node1, node2): [3.0, 4.0]
sess.run(node3): 7.0

TensorFlow運(yùn)行機(jī)制

1.使用TensorFlow運(yùn)算符op搭建graph

2.丟入數(shù)據(jù)，并運(yùn)行g(shù)raph：sess.run(op)

3.自動(dòng)更新graph中的變量并返回值

占位符（Placeholder）

# 1.使用TensorFlow運(yùn)算符op搭建graph
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)
adder_node = tf.add(a, b)

# 2.丟入數(shù)據(jù)，并運(yùn)行g(shù)raph：sess.run(op， feed_dict{x: x_data})
# 3.自動(dòng)更新graph中的變量并返回值
print(sess.run(adder_node, feed_dict={a: 3, b: 4.5}))
print(sess.run(adder_node, feed_dict={a: [1, 3], b: [2, 4]}))

7.5
[3. 7.]

TensorFlow機(jī)制

1.使用TensorFlow運(yùn)算符op搭建graph

2.丟入數(shù)據(jù)，并運(yùn)行g(shù)raph：sess.run(op， feed_dict{x: x_data})

3.自動(dòng)更新graph中的變量并返回值

萬(wàn)物皆張量（Everything is Tensor） Tensors

3    # rank為0的張量，即shape為[]的表量
[1., 2., 3.]    # rank為1的張量;shape為[3]的向量
[[1., 2., 3.], [4., 5., 6.]]    # rank為2的張量;shape為[2, 3]的矩陣
[[[1., 2., 3.]], [[7., 8., 9.]]]    # rank為3的張量，形狀為[2, 1, 3]

張量的階、形狀和類(lèi)型

Tersor Ranks, Shapes, and Types

階（Ranks）

秩／階	數(shù)學(xué)名稱(chēng)	Python實(shí)例
0	標(biāo)量	s = 483
1	向量	v = [1., 2., 3.]
2	矩陣	m = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
3	3-Tensor	t = [[[2], [4], [6]], [[8], [10], [12]], [[14], [16], [18]]]
n	n-Tensor	...

形狀（Shapes）

Rank	Shape	維數(shù)	示例
0	[]	0-D	0維Tensor; 標(biāo)量
1	[D0]	1-D	形狀為[5]的1維張量
2	[D0, D1]	2-D	形狀為[3, 4]的2維張量
3	[D0, D1, D2]	3-D	形狀為[1, 4, 3]的3維張量
n	[D0, D1, ..., Dn-1]	n-D	形狀為[D0, D1, ..., Dn-1]的n維張量

類(lèi)型（Types）

數(shù)據(jù)類(lèi)型	Python數(shù)據(jù)類(lèi)型	描述
FLOAT	tf.float32	32位浮點(diǎn)型
DOUBLE	tf.float64	64位浮點(diǎn)型
INT8	tf.int8	有符號(hào)8位整型
INT16	tf.int16	有符號(hào)16位整型
INT32	tf.int32	有符號(hào)32位整型
INT64	tf.int64	有符號(hào)64位整型