TensorFlow1

ashe 发布于2019-07-30 14:51 / 1443人阅读

摘要：是一个开源软件库，它使用数据流图的形式进行数值计算。什么是数据流图节点表示数学运算操作符边用于传送节点之间的多维数组，即张量。安装版本版本检查安装以及版本利用打印创建一个运算符这个，作为一个，添加到中启动进程运行，并输出结果表示字节符。

TensorFlow

Tensorflow是一个开源软件库，它使用数据流图的形式进行数值计算。

什么是数据流图（Data Flow Graph）

节点（Nodes）：表示数学运算操作符

边（Edges）：用于传送节点之间的多维数组，即张量。

安装TensorFlow

CPU版本：pip install --upgrade tensorflow

GPU版本：pip install --upgrade tensorflow-gpu

检查安装以及版本

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

利用TensorFlow打印‘Hello World！’

# 创建一个constant运算符(op)
# 这个op，作为一个node，添加到graph中
hello = tf.constant("Hello, TensorFlow!")

# 启动TF进程（session）
sess = tf.Session()

# 运行op，并输出结果
print(sess.run(hello))

b"Hello, TensorFlow!"

b"String": "b"表示字节符。

计算图（Computational Graph）

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

# 2.丢入数据，并运行graph：sess.run(op)
# 3.自动更新graph中的变量并返回
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运行机制

1.使用TensorFlow运算符op搭建graph

2.丢入数据，并运行graph：sess.run(op)

3.自动更新graph中的变量并返回值

占位符（Placeholder）

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

# 2.丢入数据，并运行graph：sess.run(op， feed_dict{x: x_data})
# 3.自动更新graph中的变量并返回值
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机制

1.使用TensorFlow运算符op搭建graph

2.丢入数据，并运行graph：sess.run(op， feed_dict{x: x_data})

3.自动更新graph中的变量并返回值

万物皆张量（Everything is Tensor） Tensors

3    # rank为0的张量，即shape为[]的表量
[1., 2., 3.]    # rank为1的张量;shape为[3]的向量
[[1., 2., 3.], [4., 5., 6.]]    # rank为2的张量;shape为[2, 3]的矩阵
[[[1., 2., 3.]], [[7., 8., 9.]]]    # rank为3的张量，形状为[2, 1, 3]

张量的阶、形状和类型

Tersor Ranks, Shapes, and Types

阶（Ranks）

秩／阶	数学名称	Python实例
0	标量	s = 483
1	向量	v = [1., 2., 3.]
2	矩阵	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	...

形状（Shapes）

Rank	Shape	维数	示例
0	[]	0-D	0维Tensor; 标量
1	[D0]	1-D	形状为[5]的1维张量
2	[D0, D1]	2-D	形状为[3, 4]的2维张量
3	[D0, D1, D2]	3-D	形状为[1, 4, 3]的3维张量
n	[D0, D1, ..., Dn-1]	n-D	形状为[D0, D1, ..., Dn-1]的n维张量

类型（Types）

数据类型	Python数据类型	描述
FLOAT	tf.float32	32位浮点型
DOUBLE	tf.float64	64位浮点型
INT8	tf.int8	有符号8位整型
INT16	tf.int16	有符号16位整型
INT32	tf.int32	有符号32位整型
INT64	tf.int64	有符号64位整型

云服务器 idc机房托管

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/40959.html

tensorflow1.3安装

好的，下面是一篇关于TensorFlow 1.3安装的编程技术类文章： TensorFlow 是一种流行的机器学习框架，它可以帮助开发人员构建和训练各种深度学习模型。在本文中，我们将介绍如何安装 TensorFlow 1.3 版本。首先，我们需要安装 Python。TensorFlow 1.3 支持 Python 2.7 和 Python 3.5，我们可以从官方网站下载并安装适合我们操作系统...

weizx 2023-04-26 02:14 评论0 收藏1165
tensorflow1转tensorflow2

当谈到机器学习模型训练和部署时，TensorFlow是最流行的框架之一。TensorFlow 2.0是TensorFlow的最新版本，它提供了许多新的功能和改进，使得模型训练和部署更加容易和高效。在这篇文章中，我们将讨论如何将TensorFlow 1.x代码迁移到TensorFlow 2.0。 1. 张量（Tensors）和变量（Variables）的改变在TensorFlow 1.x中，我...

mzlogin 2023-04-26 02:16 评论0 收藏420
python深度神经网络tensorflow1.0主要参数和svm算法

　　本文主要是给大家介绍了python深度神经网络tensorflow1.0主要参数和svm算法，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家尽可能不断进步，尽早涨薪　　tf.trainable_variables()获取练习主要参数　　在tf中，参加锻炼的主要参数可用tf.trainable_variables()分离出来，如：　　#取出所有参与训练的参数　　params=t...

89542767 2022-12-23 17:14 评论0 收藏0
python机器学习tensorflow1.0主要参数和svm算法

　　此篇文章首要给大家介绍了python机器学习tensorflow1.0主要参数和svm算法，感兴趣的小伙伴可以参考借鉴一下，希望可以有一定的帮助，祝愿大家多多的发展，尽快涨薪。　　tf.trainable_variables()提取训练参数　　在tf中，参与训练的参数可用tf.trainable_variables()提取出来，如：　#取出所有参与训练的参数　　params=tf.train...

89542767 2022-12-23 21:11 评论0 收藏0
TensorFlow1.2.0版发布：14大新功能，增加Intel MKL集成

摘要：主要的功能和改进上支持。对象现在从属于，在发布时的严格描述已经被删除一个首次被使用，它自己缓存其范围。在发布前，许多的的功能和类别都在命名空间中，后被移到。虽然我们会尽量保持源代码与兼容，但不能保证。为增加了双线性插值。主要的功能和改进1. Windows上支持Python3.6。2. 时空域去卷积（spatio temporal deconvolution.）增加了tf.layers.c...

cjie 2019-04-25 18:15 评论0 收藏0