TensorFlow笔记-03-张量,计算图,会话

• 搭建你的第一个神经网络，总结搭建八股
• 基于TensorFlow的NN：用张量表示数据，用计算图搭建神经网络，用会话执行计算图，优化线上的权重（参数），得到模型
• 张量（tensor）：多维数组（列表）
• 阶：表示张量的维数

·· 维 数 ···· 阶 ········· 名 字 ········· 例 子 ············
·· 0-D ······ 0 ····· 标量 scalar ···· s=1 2 3
·· 1-D ······ 0 ····· 向量 vector ···· s=[1,2,3]
·· 2-D ······ 0 ····· 矩阵 matrix ···· s=[ [1,2,3], [4,5,6],[7,8,9] ]
·· n-D ······ 0 ····· 标量 tensor ···· s=[[[[[…n个

• 张量可以表示0阶到n阶的数组（列表）
• **数据类型：Tensorflow 的数据类型有 tf.float32，tf.int32 等

案例：两个张量的加法

• 代码tf02文件：https://xpwi.github.io/py/TensorFlow/tf02.py

# 两个张量的加法
import  tensorflow as tf

a = tf.constant([1.0, 2.0])
b = tf.constant([3.0, 4.0])

result = a+b
print(result)

运行结果：

• 结果分析：
  

计算图

• 计算图（Graph）：搭建神经网络的计算过程，是承载一个或多个计算机结点的一张图，只搭建网络，不运算

• 这里要提到另一个概念：神经元 （不是很好理解，慢慢就懂了）

• 神经网络的基本模型的神经元，神经元的基本模型其实就是数学中的乘加运算

• 我们搭建如下计算图：
  

• X1，X2 表示输入，W1，W2分别是X1到X2的权重

• 该计算图表示：y = X1W1 + X2W2
  （不能理解就记住，该计算图表示上面的这种含义）

• 代码tf03文件：https://xpwi.github.io/py/TensorFlow/tf03.py

# 两个张量的加法
import  tensorflow as tf

# x 是一个一行两列的张量
x = tf.constant([[1.0, 2.0]])
# x 是一个两行一列的张量
w = tf.constant([[3.0], [4.0]])

'''
构建计算图，但不运算
y = XW
 = x1*w1 + x2*w2
'''
# 矩阵相乘
y = tf.matmul(x, w)
print(y)

运行结果

Tensor(“MatMul:0”, shape=(1, 1), dtype=float32)

会话

• 会话（Session）：执行计算图中的结点运算
• 我们用 with 结构实现，语法如下：

with tf.Session() as sess :
print(sess.run(y))

• 意思是：将 tf.Session 记为 sess，调用 tf.Session 下的 run 方法执行 y，y 也就是上面的计算图，也就是那个表达式

• 代码04文件：https://xpwi.github.io/py/TensorFlow/tf04.py

# 两个张量的加法
import  tensorflow as tf

# x 是一个一行两列的张量
x = tf.constant([[1.0, 2.0]])
# x 是一个两行一列的张量
w = tf.constant([[3.0], [4.0]])

'''
构建计算图，但不运算
y = XW
 = x1*w1 + x2*w2
'''
# 矩阵相乘
y = tf.matmul(x, w)
print(y)

# 会话：执行节点运算
with tf.Session() as sess:
    print(sess.run(y))

运行结果

• y = 1.03.0 + 2.04.0 = 11
  
• 我们可以看到打印出了运算结果

更多文章链接：Tensorflow 笔记

---

- 本笔记不允许任何个人和组织转载