Tensorflow笔记—2—张量,计算图,会话

一.TensorFlow的整体结构

• 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，左边几个括号就是几阶

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

张量相加举例：

# 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)

 

二.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 （模仿人体神经中的神经元传输电脉冲）
• 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

具体代码：

import tensorflow as tf
x = tf.constant([[1.0, 2.0]])   #1*2，一维张量tensor
w = tf.constant([[3.0], [4.0]])    #2*1，二维张量tensor

'''
构建计算图，但不运算
y = XW
 = x1*w1 + x2*w2
'''

# 矩阵相乘
y = tf.matmul(x, w)  #1*1
print(y)    #打印出来的结果只表示搭建神经网络的计算过程

运行结果

三.会话

• 会话（Session）：执行计算图中的结点运算

• 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，也就是计算表达式

具体代码：

• import tensorflow as tf
  x = tf.constant([[1.0, 2.0]])   #1*2，一维张量tensor
  w = tf.constant([[3.0], [4.0]])    #2*1，二维张量tensor
  y = tf.matmul(x, w)  #1*1
  with tf.Session() as sess:
      print(sess.run(y))  #执行计算图的节点运算

   

运行结果