TensorFlow學習筆記1

編寫tensorflow的兩個步驟：

構建計算圖graph

使用session去執行graph中的operation

![這裡寫描述]

三個基本概念

rank: rank一般是指資料的維度，其與線性代數中的rank不是乙個概念。其常

用rank舉例如下。

shape：指tensor每個維度資料的個數，可以用python的list/tuple表示。下

圖表示了rank,shape的關係。

data_type: 是指單個資料的型別。常用dt_float，也就是32位的浮

點數。下圖表示了所有的types。

可在一張圖中執行，也可構建多張圖

g1 = tf.graph()

with g1.as_default():

c1 = tf.constant([1.0])

with tf.graph().as_default() as g2:

c2 = tf.constant([2.0])

with tf.session(graph=g1) as sess1:

print(sess1.run(c1))

with tf.session(graph=g2) as sess2:

print(sess2.run(c2))

#result:

#[ 1.]

#[ 2.]

#構建乙個計算圖

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b 
#構建乙個session
sess = tf.session()
#把計算圖放到session理，並執行得到結果
print(sess.run(c))
sess.close()
#result: [ 3. 8.]

#構建乙個計算圖

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])
c = a * b
#構建乙個session
sess = tf.session()
#把計算圖放到session理，並執行得到結果
with tf.session() as sess:
print(sess.run(c))
#result: [ 3. 8.]

weights = tf.variable(tf.random_normal([784, 200], stddev=0.35), name="weights")

biases = tf.variable(tf.zeros([200]), name="biases")

x1 = tf.placeholder(tf.int32, shape=[1], name='x1')

x2 = tf.constant(2, name='x2')
result = x1 + x2
with tf.session() as sess:
print(sess.run(result))
報錯：invalidargumenterror (see above for traceback): you must feed a
value
for placeholder tensor 'x1'
with dtype int32 and shape [1]
[[node: x1 = placeholder[dtype=dt_int32, shape=[1]

tensorflow學習筆記1

在跑minist demo時，遇到了這幾句 batchsize 6 label tf.expand dims tf.constant 0,2,3,6,7,9 1 index tf.expand dims tf.range 0,batchsize 1 concated tf.concat 1,inde...

TensorFlow學習筆記1

1 tensorflow 谷歌第二代人工智慧學習系統 2 tensorflow顧名思義tensor flow。tensor的意思是 張量，flow的意思是 流動，合起來就是 張量的流動 3 系統架構及程式設計模型。其中系統架構如圖1所示，程式設計模型如圖2所示。圖1 tensorflow系統架構圖 ...

tensorflow學習筆記1

卷積與池化 卷積 1.stride 1,2,2,1 卷積步長為2,第1 4引數為1.分別表示batch和channel valid without padding 僅丟棄下面或右邊最多的行 列 same with zero padding 左奇右偶,在左邊補乙個0,右邊補2個0 weight var...