Python深度學習TensorFlow神經網絡基礎概括

Posted on by

一、基礎理論

1、TensorFlow

tensor：張量（數據）

flow：流動

Tensor-Flow：數據流

2、TensorFlow過程

TensorFlow構成：圖和會話

1、構建圖階段

構建階段：定義瞭數據(張量tensor)與操作(節點operation)，構成圖（靜態）

張量：TensorFlow中的基本數據對象。

節點：提供圖中執行的操作。

2、執行圖階段（會話）

執行階段：使用會話執行定義好的數據與操作。

二、TensorFlow實例（執行加法）

1、構造靜態圖

1-1、創建數據（張量）

#圖（靜態）
a = tf.constant(2)    #數據1（張量）
b = tf.constant(6)    #數據2（張量）

1-2、創建操作（節點）

c = a + b              #操作（節點）

2、會話（執行）

API：

普通執行

#會話（執行）
with tf.Session() as sess:
    print(sess.run(a + b))

fetches（多參數執行）

#會話（執行）
with tf.Session() as sess:
    print(sess.run([a,b,c]))

feed_dict（參數補充）

def Feed_Add():
    #創建靜態圖
    a = tf.placeholder(tf.float32)
    b = tf.placeholder(tf.float32)
    c = tf.add(a,b)
    
    #會話（執行）
    with tf.Session() as sess:
        print(sess.run(c, feed_dict={a:0.5, b:2.0}))

總代碼

import tensorflow as tf
def Add():
    #圖（靜態）
    a = tf.constant(2)    #數據1（張量）
    b = tf.constant(6)    #數據2（張量）
    c = a + b              #操作（節點） 
    #會話（執行）
    with tf.Session() as sess:
        print(sess.run([a,b,c])) 
def Feed_Add():
    #創建靜態圖
    a = tf.placeholder(tf.float32)
    b = tf.placeholder(tf.float32)
    c = tf.add(a,b)    
    #會話（執行）
    with tf.Session() as sess:
        print(sess.run(c, feed_dict={a:0.5, b:2.0}))        
Add()
Feed_Add()

以上就是Python深度學習TensorFlow神經網絡基礎概括的詳細內容，更多關於TensorFlow神經網絡基礎的資料請關註WalkonNet其它相關文章！

推薦閱讀：