内容概括:
概念概览 TensorFlow 的名称源自张量,张量是任意维度的数组。借助 TensorFlow,您可以操控具有大量维度的张量。即便如此,在大多数情况下,您会使用以下一个或多个低维张量:
TensorFlow 指令会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。 TensorFlow 图(也称为计算图或数据流图)是一种图数据结构。很多 TensorFlow 程序由单个图构成,但是 TensorFlow 程序可以选择创建多个图。图的节点是指令;图的边是张量。张量流经图,在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型,意味着系统仅会根据相关节点的需求在需要时计算节点。 张量可以作为常量或变量存储在图中。您可能已经猜到,常量存储的是值不会发生更改的张量,而变量存储的是值会发生更改的张量。不过,您可能没有猜到的是,常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。 要定义常量,请使用 tf.constant 指令,并传入它的值。例如: x = tf.constant([5.2]) 同样,您可以创建如下变量: y = tf.Variable([5]) 或者,您也可以先创建变量,然后再如下所示地分配一个值(注意:您始终需要指定一个默认值): y = tf.Variable([0]) 定义一些常量或变量后,您可以将它们与其他指令(如 tf.add)结合使用。在评估 tf.add 指令时,它会调用您的 tf.constant 或 tf.Variable 指令,以获取它们的值,然后返回一个包含这些值之和的新张量。 图必须在 TensorFlow 会话中运行,会话存储了它所运行的图的状态: with tf.Session() as sess: 在使用 tf.Variable 时,您必须在会话开始时调用 tf.global_variables_initializer,以明确初始化这些变量,如上所示。 注意:会话可以将图分发到多个机器上执行(假设程序在某个分布式计算框架上运行)。有关详情,请参阅分布式 TensorFlow。 总结 TensorFlow 编程本质上是一个两步流程:
创建一个简单的 TensorFlow 程序 我们来看看如何编写一个将两个常量相加的简单 TensorFlow 程序。 添加 import 语句 与几乎所有 Python 程序一样,您首先要添加一些 import 语句。 当然,运行 TensorFlow 程序所需的 import 语句组合取决于您的程序将要访问的功能。至少,您必须在所有 TensorFlow 程序中添加 import tensorflow 语句: import tensorflow as tf 其他常见的 import 语句包括: import matplotlib.pyplot as plt # 数据集可视化。 TensorFlow 提供了一个默认图。不过,我们建议您明确创建自己的 Graph,以便跟踪状态(例如,您可能希望在每个单元格中使用一个不同的 Graph)。 from __future__ import print_function 以上就是 tensorflow 必知必会的基础知识了,试着修改运行该项目,开始探索 tensorflow 吧。 |
|