TensorFlow整体把握

目前主流的TensorFlow，用tensorflow这样工具的原因是：它允许我们用计算图（Computational Graphs）的方式建立网络。同时又可以非常方便的对网络进行操作。

下面就是对计算图的直观讲解。

比喻说明：

• 结构：计算图所建立的只是一个网络框架。在编程时，并不会有任何实际值出现在框架中。所有权重和偏移都是框架中的一部分，初始时至少给定初始值才能形成框架。因此需要initialization初始化。
• 比喻：计算图就是一个管道。编写网络就是搭建一个管道结构。在投入实际使用前，不会有任何液体进入管道。而神经网络中的权重和偏移就是管道中的阀门，可以控制液体的流动强弱和方向。在神经网络的训练中，阀门会根据数据进行自我调节、更新。但是使用之前至少要给所有阀门一个初始的状态才能形成结构。用计算图的好处是它允许我们可以从任意一个节点处取出液体。

用法说明：

请类比管道构建来理解计算图的用法

构造阶段（construction phase）：组装计算图（管道）

• 计算图（graph）：要组装的结构。由许多操作组成。
• 操作（ops）：接受（流入）零个或多个输入（液体），返回（流出）零个或多个输出。
• 数据类型：主要分为张量（tensor）、变量（variable）和常量（constant）
  • 张量：多维array或list（管道中的液体）
    • 创建语句：

tensor_name=tf.placeholder(type, shape, name)

• • 变量：在同一时刻对图中所有其他操作都保持静态的数据（管道中的阀门）
    • 创建语句：

name_variable = tf.Variable(value, name)

• • • 初始化语句：

#个别变量
init_op=variable.initializer()
#所有变量
init_op=tf.initialize_all_variables()
#注意：init_op的类型是操作（ops），加载之前并不执行

• • • 更新语句：

update_op=tf.assign(variable to be updated, new_value)

• • 常量：无需初始化的变量
    • 创建语句：

name_constant=tf.constant(value)

执行阶段（execution phase）：使用计算图（获取液体）

• 会话：执行（launch）构建的计算图。可选择执行设备：单个电脑的CPU、GPU，或电脑分布式甚至手机。
  • 创建语句：

#常规
sess = tf.Session()
#交互
sess = tf.InteractiveSession()
#交互方式可用tensor.eval()获取值，ops.run()执行操作
#关闭
sess.close()

• 执行操作：使用创建的会话执行操作
  • 执行语句：

sess.run(op)

• • 送值（feed）：输入操作的输入值（输入液体）
    • 语句：

sess.run([output], feed_dict={input1:value1, input2:value1})

• • 取值（fetch）：获取操作的输出值（得到液体）
    • 语句：

#单值获取 
sess.run(one op)
#多值获取
sess.run([a list of ops])

• 还没有人评论，欢迎说说您的想法！

相关课程

人工智能入门

5304 9.8元 98元 1折

基于 OpenVINO™ 的 AI 视觉应用进阶课

42677 0元 限免

基于 OpenVINO™ 的 AI 视觉应用基础课

56800 0元 限免