TensorFlow入门（tensorflow入门显卡）

TensorFlow入门（tensorflow入门显卡）

tensorflow的运行机制属于“定义”与“运行”相分离，tensorflow定义的内容都在“图”这个容器中完成，关于图有几点需要理解的。1、一个“图”代表一个计算任务2、在模型运行的环节中，“图”在会话(session)里被启动3、session将图的节点操作发布到CPU GPU上，同时提供OP的方法

也就是说在tensorflow中定义的时候，其实就只是定义了图，图是静态的，在定义完成之后是不会运行的

**想让进行 图 中的节点操作，就需要使用运行函数 tf.Session.run，才能开始运行**

MO平台运行（例子）：

import tensorflow as tfimport os#忽略日志级别2以下的日志os.environ['TF_CPP_MIN_LOG_LEVEL']='2'#以上代码用于忽略级别 2 及以下的消息（级别 1 是提示，级别 2 是警告，级别 3 是错误）。def init_Check(): #创建temsor的持久化常量 messsage = tf.constant("runing~") #使用with简化关流 with tf.Session() as sess: #这里输出的是字节字符串，要删除字符串引号和“b”（表示字节，byte）只保留单引号内的内容，可以使用 decode() 方法 print(sess.run(messsage).decode("UTF-8"))if __name__ == "__main__": init_Check()

计算图：是包含节点和边的网络。本节定义所有要使用的数据，也就是张量（tensor）对象（常量、变量和占位符），同时定义要执行的所有计算，即运算操作对象（Operation Object，简称 OP）。每个节点可以有零个或多个输入，但只有一个输出。网络中的节点表示对象（张量和运算操作），边表示运算操作之间流动的张量。计算图定义神经网络的蓝图，但其中的张量还没有相关的数值。为了构建计算图，需要定义所有要执行的常量、变量和运算操作。例如两个向量相加的计算图：

demo1：

def v_add(): #定义图的片段 v_1 = tf.constant([1,2,3,4,5]) v_2 = tf.constant([5,4,3,2,1]) v_all= tf.add(v_1, v_2) with tf.Session() as sess: print(sess.run(v_all))if __name__ == "__main__":#会话运行图 v_add()

使用with无需手动关闭会话，隐式关闭

demo2：

def v_add_InteractiveSession(): # tf.InteractiveSession 将比 tf.Session 更方便。InteractiveSession 使自己成为默认会话,需要关闭会话 sess = tf.InteractiveSession() v_1 = tf.constant([1,2,3,4,5]) v_2 = tf.constant([5,4,3,2,1]) d = tf.add(v_1, v_2) print(d.eval()) sess.close()if __name__ == "__main__": v_add_InteractiveSession()

使用InteractiveSession创建的默认会话，需要关闭会话，但是比Session方便

常量、变量以及占位符

Tensorflow常见的支持的数据类型：

张量，可理解为一个 n 维矩阵，所有类型的数据，包括标量、矢量和矩阵等都是特殊类型的张量。

TensorFlow 支持以下三种类型的张量：

常量：

t_1 = tf.constant(4)

t_2 = tf.constant([4,3,2])

要创建一个所有元素为零的张量，可以使用 tf.zeros() 函数。这个语句可以创建一个形如 [M，N] 的零元素矩阵，数据类型（dtype）可以是 int32、float32 等：

tf.zeros([M,N],tf.dtype)

例如：

zero_t = tf.zeros([2,3],tf.int32)

还可以创建与现有 Numpy 数组或张量常量具有相同形状的张量常量：

def Matrix_likeMatrix(): sess = tf.InteractiveSession() #生成初始值为1的矩阵,或者初始为0的矩阵 Matrix1 = tf.ones([9,9], tf.int32) Matrix4 = tf.zeros([18,18], tf.int32) #克隆shape相同的1或0的矩阵 Matrix2 = tf.ones_like(Matrix1) Matrix3 = tf.zeros_like(Matrix2) print(sess.run(Matrix1)) print(sess.run(Matrix2)) print(sess.run(Matrix3)) print(sess.run(Matrix4)) sess.close()if __name__ == "__main__": Matrix_likeMatrix()

在一定范围内生成一个从初值到终值等差排布的序列：相应的值为 (stop-start)/(num-1)。例如：

tf.linspace(start,stop,num)#num设置步长

#range_t = tf.linspace(2.0,5.0,5)#We get:[2. 2.75 3.5 4.25 5.]

从开始（默认值=0）生成一个数字序列，增量为 delta（默认值=1），直到终值（但不包括终值）：下面给出实例：

tf.range(start,limit,delta)

例子：

def Number_sequence(): #只有一个参数的时候表示以1为增量，从0到n，两个参数的时候表示m~n，增量为1，三个参数最后一个表示增量 num_se = tf.range(10,50,4) with tf.Session() as sess: print(sess.run(num_se))if __name__ == "__main__": Number_sequence()

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。