Tensorflow 基礎概念

g=（v，e）

v -> operation 圖的節點

e -> tensor 圖的邊

g -> graph 圖

tensorflow = tensor (多維陣列) + flow (graph 圖 op) session回話上下文管理

variable == tensor(多維資料變數)

placeholder == 外部傳入的引數變數

>>> 

import tensorflow as tf
>>> 
with graph.as_default():
... f = tf.variable(3, name='f')
... b = tf.variable(2, name='b')
... r = f + b
... initialize = tf.global_variables_initializer()
>>> 
with tf.session(graph=graph) as sess:
... sess.run(initialize)
... res = sess.run(r)
>>> 
print res
5

初始化所有變數tf.global_variables_initializer()

初始化部分變數tf.variables_initializer()

要表示乙個常量k = tf.constant(3.0)

佔位符當我們定義一張graph時，有時候並不知道需要計算的值，可以使用tf.placeholder(dtype,shape=none,name=none)函式。

foo = tf.placeholder(tf.int32,shape=[1],name='foo')  

bar = tf.constant(2,name='bar') 
result = foo + bar 
with tf.session() as sess: 
print sess.run(result,)

# -*- coding:utf-8 -*-

import tensorflow as tf
import numpy as np
# numpy生成資料
x_data = np.float32(np.random.rand(2, 100))
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 初始化線性模型引數
b = tf.variable(tf.zeros([1]))
w = tf.variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(w, x_data) + b
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.gradientdescentoptimizer(0.5)
train = optimizer.minimize(loss)
# 初始化變數
init = tf.global_variables_initializer()
# 啟動graph
sess = tf.session()
sess.run(init)
# 擬合平面
for step in xrange(0, 401):
sess.run(train)
if step % 20 == 0:
print step, '/', sess.run(w), sess.run(b)

TensorFlow 程式設計概念

學習目標 構建乙個簡單的 tensorflow 程式，使用該程式繪製乙個預設圖並建立乙個執行該圖的會話 注意 請仔細閱讀本教程。tensorflow 程式設計模型很可能與您遇到的其他模型不同，因此可能不如您期望的那樣直觀。tensorflow 的名稱源自張量，張量是任意維度的陣列。tensorflo...

TensorFlow 基本概念

tensorflow使用圖來表示計算任務，圖中的節點被稱之為op operation的縮寫 乙個op獲得n個tensor，執行計算，產生n個tensor。每個tensor是乙個型別化的多維陣列。例如，可以將一小 像集表示為乙個四維浮點數陣列，這個四個維度分別是 batch,height,width,...

tensorflow語法基礎

變數型別 variable 變數 constant 常量 指定引數 name 變數在tensorflow中的名字 dtype 變數的資料型別 可以是tf.float32,tf.int32之類的 e.g.import tensorflow as tf a tf.variable 0,dtype int...