TensorFlow的框架

一、张量点击返回总目录

二、计算图

三、会话

四、参数

五、神经网络实现过程

使用TensorFlow搭建神经网络时，我们经常：

使用张量表示数据；使用计算图搭建神经网络；使用会话执行计算图，再优化神经网络中的参数，获得更准确的模型。

一、张量

首先介绍什么是张量。其实，张量就是多维数组，就是列表。用阶表示张量的维度。

0阶张量，就是标量，比如123。一阶张量，叫做向量，表示的是一个一维数组，比如列表[1,2,3]。二阶张量叫做矩阵，表示的是一个二维数组。

判断张量是几阶的，就看黄色框框这个地方有几个"["。有n个"["就是n阶。所以，张量可以表示0阶到n阶数组。

例：实现两个张量的加法

import tensorflow as tf #导入TensorFlow模块

a=tf.constant([1.0,2.0]) #定义一个张量a等于常数[1.0,2,0]。tf.constant表示定义常数。
b=tf.constant([3.0,4.0])

result =a+b
print(result)

运行结果：

Tensor("add:0", shape=(2,), dtype=float32)

意思是result是一个名字叫“add:0”的张量。shape=(2,)：括号中有一个数，表示维度是1；2表示第1个维度里有两个元素。

dtype=float32表示数据是浮点型的。TensorFlow的数据类型有tf.float32(32位的浮点)、tf.int32（32位的整型）等等。

二、计算图

其实上面的例子所描述的，就是一个计算过程，就是一张计算图。从print输出的内容，我们可以看到，只显示出这个结果是个张量，并没有实际运算张量具体的值。所以计算图只描述了计算过程，不计算运算结果。

所谓计算图(Graph)，就是搭建神经网络的计算过程，他是承载一个或多个下面这种节点(整个方框里面的是一个节点)的一张图，只搭建网络，不运算。

神经元的基本模型就是上面图中这个样子，其实就是数学里的乘加运算。我们用张量运算描述这个神经元为：

import tensorflow as tf

x=tf.constant([[1.0,2.0]]) #x是一行两列的矩阵。
w=tf.constant([[3.0],[4.0]]) #w是两行一列的矩阵。

y=tf.matmul(x,w) #矩阵乘法。

print(y)

运行结果：

Tensor("MatMul:0", shape=(1, 1), dtype=float32) #结果为二维，一行一列的矩阵。

我们从print的结果可以看到，y是个张量，只承载了搭建计算过程的计算图，并没有运算。

三、会话

如果我们想得到运算结果，就要用到会话了。

所谓会话(session)，是执行运算图中节点运算的。我们用with结构实现。

例：

import tensorflow as tf

x=tf.constant([[1.0,2.0]]) #x是一行两列的矩阵。
w=tf.constant([[3.0],[4.0]]) #w是两行一列的矩阵。

y=tf.matmul(x,w) #矩阵乘法。

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

运行结果：

Tensor("MatMul_1:0", shape=(1, 1), dtype=float32)
[[11.]]

四、神经网络的参数

神经网络的参数是神经元线上的权重w，用变量表示。一般会先随机生成。常常这样写：

tf.Variable()表示生成变量，生成的方式写在括号里。比如tf.random_normal表示生成正态分布的随机数，形状是2行3列，标准差是2，均值为0，随机数种子为1。如果把随机数种子去掉，则每次生成的随机数不一样。标准差、均值、随机种子三个如果没有特殊要求，可以不写。

tf.random_normal()函数可以用tf.truncated_normal()函数替换，表示去掉过大偏离点的正态分布。也就是，如果随机生成的数据偏离平均值超过两个标准差，这个数据将重新生成。

同样，tf.random_normal()函数可以用tf.random_uniform()函数替换，tf.random_uniform()为平均分布函数。

除了生成随机数，还可以生成常量。比如，tf.zeros生成全0数组等。

五、神经网络实现过程

当我们知道了张量、计算图、会话和参数后，我们可以学习神经网络实现过程了。

其实，神经网络的实现只要4步：

第1步，准备数据集，

第2步，前向传播。数据从输入到输出，走过搭建好的神经网络。可以计算得到输出。

第3步，反向传播。把大量数据喂给神经网络，得到大量输出，把每次输出与标准答案的差反向传回神经网络，调节神经网络的参数，

直到模型达到要求。

第4步，当模型达到要求后，可以使用这个优化好参数后的模型。将新数据送入前向神经网络，便可以实现预测和分类了。

猜你喜欢