Tensorflow筆記—2—張量,計算圖,會話

一.TensorFlow的整體結構

• 搭建你的第一個神經網絡，總結搭建八股
• 基於TensorFlow的NN：用張量表示數據，用計算圖搭建神經網絡，用會話執行計算圖，優化線上的權重（參數），得到模型
• 張量（tensor）：多維數組（列表）
• 階：表示張量的維數，左邊幾個括號就是幾階

·· 維 數 ···· 階 ········· 名 字 ········· 例 子 ············
·· 0-D ······ 0 ····· 標量 scalar ···· s=1 2 3
·· 1-D ······ 1 ····· 向量 vector ···· s=[1,2,3]
·· 2-D ······ 2 ····· 矩陣 matrix ···· s=[ [1,2,3], [4,5,6],[7,8,9] ]
·· n-D ······ n ····· 標量 tensor ···· s=[[[[[....n個

• 張量可以表示0階到n階的數組（列表）
• 數據類型：Tensorflow 的數據類型有 tf.float32，tf.int32 等

張量相加舉例：

# 兩個張量的加法
import  tensorflow as tf

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

result = a+b
print(result)

 

二.計算圖

• 計算圖（Graph）：搭建神經網絡的計算過程，是承載一個或多個計算機結點的一張圖，只搭建網絡，不運算
• 這裏要提到另一個概念：神經元 （模仿人體神經中的神經元傳輸電脈衝）
• 神經網絡的基本模型的神經元，神經元的基本模型其實就是數學中的乘加運算
• 我們搭建如下計算圖：
  
• X1，X2 表示輸入，W1，W2分別是X1到X2的權重
• 該計算圖表示：y = X1W1 + X2W2

具體代碼：

import tensorflow as tf
x = tf.constant([[1.0, 2.0]])   #1*2，一維張量tensor
w = tf.constant([[3.0], [4.0]])    #2*1，二維張量tensor

'''
構建計算圖，但不運算
y = XW
 = x1*w1 + x2*w2
'''

# 矩陣相乘
y = tf.matmul(x, w)  #1*1
print(y)    #打印出來的結果只表示搭建神經網絡的計算過程

運行結果

三.會話

• 會話（Session）：執行計算圖中的結點運算

• 用 with 結構實現，語法如下：

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

• 意思是：將 tf.Session 記爲 sess，調用 tf.Session 下的 run 方法執行 y，y 也就是上面的計算圖，也就是計算表達式

具體代碼：

• import tensorflow as tf
  x = tf.constant([[1.0, 2.0]])   #1*2，一維張量tensor
  w = tf.constant([[3.0], [4.0]])    #2*1，二維張量tensor
  y = tf.matmul(x, w)  #1*1
  with tf.Session() as sess:
      print(sess.run(y))  #執行計算圖的節點運算

   

運行結果