TensorFlow的基本知識

graph：圖，表示具體的計算任務

session：會話，圖需要在會話中執行，乙個會話可以包含很多圖

tensor：張量，在此表示資料

variable：就是本意變數，圖的重要組成部分

operation：簡稱op，是圖中計算的節點

feed、fetch：意思是給圖新增資料和獲取圖中的資料，因為訓練過程中有些資料需要動態獲得、臨時給予資料

tensor

tensorflow使用tensor資料結構來代表所有的資料，計算圖中，操作間傳遞的資料都是tensor.可以將tensor看做是乙個陣列或者是列表

當建立乙個變數時，表明乙個張量作為初始值傳入建構函式variable()。引數用來初始化張量,呼叫tf.variable()新增一些操作(op,operation)到graph

tf.variable（initializer， name）：initializer是初始化引數，可以有tf.random_normal，tf.constant，tf.constant等，name就是變數的名字

a = tf.variable(2, name='scalar')

b = tf.variable([2, 3], name='vector')
c = tf.variable([[0, 1], [2, 3]], name='matrix')
w = tf.variable(tf.zeros([784, 10]), name='weight')

變數有著下面幾個操作

x = tf.variable()

x.initializer
# 初始化
x.eval() # 讀取裡面的值
x.assign() # 分配值給這個變數

注意一點，在使用變數之前必須對其進行初始化，初始化可以看作是一種變數的分配值操作。最簡單的初始化方式是一次性初始化所有的變數

init = tf.global_variables_initializer()

with tf.session() as sess:
sess.run(init)

也可以對某一部分變數進行初始化

init_ab = tf.variable_initializer([a, b], name='init_ab')

with tf.session() as sess:
sess.run(init_ab)

或者是對某乙個變數進行初始化

w = tf.variable(tf.zeros([784, 10]))

with tf.session() as sess:
sess.run(w.initializer)

如果我們想取出變數的值，有兩種方法

w = tf.variable(tf.truncated_normal([10, 10], name='normal'))

with tf.session() as sess:
sess.run(w.initializer)
print(w.eval()) # 方法一
print(sess.run(w)) # 方法二

tensorflow第一步是定義圖，第二步是在session中進行圖中的計算。對於圖中我們暫時不知道值的量，我們可以定義為佔位符，之後再用feed_dict去賦值，傳入sess.run()函式。

tf.placeholder(dtype, shape=none, name=none)

dtype是必須要指定的引數，shape如果是none，說明任何大小的tensor都能夠接受，使用shape=none很容易定義好圖，但是在debug的時候這將成為噩夢，所以最好是指定好shape。

a = tf.placeholder(tf.float32, shape=[3])

b = tf.constant([5, 5, 5], tf.float32)
c = a + b
with tf.session() as sess:
print(sess.run(c, feed_dict=))

tf.constant(value, dtype=none, shape=none, name=』const』, verify_shape=false)

可以是一維向量和矩陣，或者是使用特殊值的向量建立，也有和numpy類似的序列建立

a = tf.constant([2, 2], name='a')

b = tf.constant([[0, 1], [2, 3]], name='b')

input1 = tf.constant([3.0])    

input2 = tf.constant([2.0]) 
input3 = tf.constant([5.0]) 
intermed = tf.add(input2,input3) 
mul = tf.multiply(input1,intermed)
with tf.session() as sess: 
result = sess.run([mul,intermed]) 
print(result)

input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
with tf.session() as sess:
print(sess.run([output],feed_dict=))

tensorflow基本知識1

1 使用圖 graphs 表示計算任務。在被稱之為會話 session 的上下文 context 中執行圖 使用tensor表示資料 通過變數 variable 維護狀態 使用feed和fetch可以為任意的操作賦值或者從其中獲取資料 2 tensorflow是乙個程式設計系統，使用圖 graphs...

學習進度筆記 TensorFlow基本知識總結 1

tensorflow是全面的深度學習框架支援非常全面不是專門為客戶端設計 特點 1 真正的可移植性 引入各種計算裝置的支援包括cpu gpu tpu，以及能夠很好地執行在移動端，如安卓裝置 ios 樹莓派等等 2 多語言支援 tensorflow 有乙個合理的c 使用介面，也有乙個易用的python...

BI的基本知識

1,什麼是bi bi 即商業智慧型，商業智慧型是一種解決方案，通過抽取歷史資料，進行分析，挖掘，從中提取業務人員 可以理解的的資訊，通過這些資訊，進一步輔助業務人員進行決策 2,bi 的歷史上世紀70到 80年代，市場上出現了分析軟體。但是缺乏計算能力，使用者友好性差。與交易系統的整合困難，甚至手動...