2023学年完整公开课版TensorFlow的基本概念

1.1

机学习概览欢迎进入《数据科学与机器学习》课程学习第4单元机器学习与神经网络TensorFLow深度学习库TensorFLow深度学习库安装TensorFlow202

TensorFlow的基本概念01

TensorFlowAPI简介03

TensorFlow/Keras的使用步骤04TensorFlow基本概念TensorFlow概述

TensorFlow是一个编程系统,使用图来表示计算任务.图中的节点被称之为op(operation的缩写)。一个op获得0个或多个Tensor,执行计算,产生0个或多个Tensor.每个Tensor是一个类型化的多维数组。一个TensorFlow图描述了计算的过程。

为了进行计算,图必须在会话里被启动。会话将图的op分发到诸如CPU或GPU之类的设备上,同时提供执行op的方法。这些方法执行后,将产生的tensor返回。在Python语言中,返回的tensor是numpyndarray对象。TensorFlow的程序被组织成一个构建阶段和一个执行阶段。在构建阶段op的执行步骤被描述成一个图。在执行阶段，使用Session（会话）执行图中的op。（1）组装一个Graph（2）使用Session去执行Graph中的opTensorFlow基本概念构建图importtensorflowastfa=tf.constant(3)b=tf.constant(4)c=tf.add(a,b)函数tf.constant()用于生成一个常量，即不用sess.run就有值，在运行过程中不变，常量的类型可以是字符串或张量。函数tf.add()，接收两个参数，并将这两个参数相加，参数只要是张量，或者运算结果是个张量即可。TensorFlow基本概念执行回话importpat.v1astftf.disable_eager_execution()hello=tf.constant('hello,tensorflow')sess=tf.Session()print(sess.run(hello))sess.close()Session对象每次使用完毕，需要使用close()方法关闭，使用with结构可以让python在结构内的语句执行结束时，自动调用Session的close()方法TensorFlow基本概念占位符placeholder计算图可以使用占位符placeholder来参数化地从外部输入数据，placeholder的作用是在稍后（session调用run时）提供一个值。a=tf.placeholder(tf.float32)b=tf.placeholder(tf.float32)c=a+bwithtf.Session()assess:print(sess.run(c,{a:3,b:4}))print(sess.run(c,{a:[1,3],b:[2,4]}))TensorFlow基本概念张量（Tensor）张量（Tensor):张量有多种.。零阶张量为纯量或标量(scalar)也就是一个数值.比如[1],一阶张量为向量(vector),比如一维的[1,2,3],二阶张量为矩阵(matrix),比如二维的[[1,2,3],[4,5,6],[7,8,9]],以此类推,还有三阶三维的…张量从流图的一端流动到另一端的计算过程。它生动形象地描述了复杂数据结构在人工神经网中的流动、传输、分析和处理模式。张量有两个属性：rank（阶）一般指维度，也就是三层方括号图1：阶TensorFlow基本概念张量（Tensor）张量有两个属性：shape（形状）用于描述张量内部的组织关系，指tensor每个维度数据的个数，与numpy数组的shape是一个概念。TensorFlow基本概念变量变量用于存储和更新参数，存放于内存的缓冲区中，需要被初始化。当创建一个变量时，将一个张量作为初值传入构造函数Variable()。TensorFLow提供了一系列操作符来初始化张量，其初值可以是常量，也可以是随机值。一般情况下都是取随机值。常用函数如下：

tf.zeros产生全0的数组

tf.ones产生全1的数组

tf.constant产生一个定值的常量

tf.random_normal产生的数组正态分布

tf.random_uniform均匀分布计算前需要初始化所有Variable，一般在定义Graph时定义global_variables_initializer。TensorFlow基本概念fetch和feedfetch取值用来从op的张量中取值，为了取回操作的输出内容，可以使用Session对象的run()调用执行图，传入一些tensor来取回结果。当获取多个tensor值时，是在op的一次运行中一起获得的。input1=tf.constant(3.0)input2=tf.constant(2.0)input3=tf.constant(5.0)a=tf.add(input2,input3)b=tf.multiply(input1,a)withtf.Session()assess:result=sess.run([a,b])#[a,b]即是一次fetch两个张量

print(result)TensorFlow基本概念feed(赋值）使用一个tensor值替换一个操作的输出结果。可以提供feed数据作为run()调用的参数。feed常用在placeholder定义的张量。input1=tf.placeholder(tf.float32)input2=tf.placeholder(tf.float32)b=tf.multiply(input1,input2)withtf.Session()assess: