Nota: estoy aprendiendo tensorflow recientemente, la versión que aprendí es la versión 1.15, luego la versión 2.0, resumen de aprendizaje personal

caso helloworld

Mi entorno es la versión python3.7 + tensorflow-gpu1.15. La versión de la GPU depende de su computadora.

El primer caso es, por supuesto, el caso helloworld. El código específico es el siguiente:

import tensorflow as tf
hello = tf.constant('Hello world!')
sess = tf.Session()
print(sess.run(hello))

Explicación simple: importar importar tensorflow, y luego establecer una luz constante constante. Cuando queremos ejecutar, debemos crear una nueva sesión, usar el método Seeion () para crear, llamar a ejecutar para ejecutar

输出结果：
b'Hello world!' #b为字节文字

Conceptos básicos de TensorFlow

La comprensión perceptiva es: tensorflow = tensor + flujo tensor flujo tensor puede entenderse como flujo.

tensorflow es un sistema de programación que expresa cálculos en forma de gráficos de cálculo . Cada cálculo es un nodo en el gráfico de cálculo, y los bordes entre los nodos describen la relación entre los cálculos.

Introducción al tensor

Tensor puede entenderse como un tensor, que puede entenderse simplemente como una matriz multidimensional.

En Tensorflow, todos los datos se representan en forma de tensores.
Desde una perspectiva funcional, el tensor puede entenderse como una matriz multidimensional
- El tensor de precio cero representa un escalar, que es un número
- El tensor de primer orden es un vector, una matriz unidimensional
- El tensor de orden n puede entenderse como una matriz n-dimensional
Nota: El tensor en realidad no guarda los números, guarda el proceso de cálculo

tensor 属性： Tensor ('' Agregar: 0 '', forma = (), dtype = float32)

nombre: '' nodo: src_output '' donde el nombre del nodo, la primera salida del nodo src_output
forma: dimensión del tensor, forma = (), que representa escalar
tipo: cada tensor corresponde a un tipo único

A continuación se ofrece un pequeño ejemplo para profundizar la comprensión de los atributos del tensor. Presta atención a la salida (3, 2, 3)

import tensorflow as tf
tensor1 = tf.constant([[[1,1,1],[2,2,2]],
                      [[3,3,3],[4,4,4]],
                      [[5,5,5],[6,6,6]]],name='tensor1')
print(tensor1)

#输出结果:Tensor("tensor1:0", shape=(3, 2, 3), dtype=int32)

#取出某个值 注意的是要有输出得用Session
sess = tf.Session()
print(sess.run(tensor1)[0,0,0])
sess.close()

#输出：1

Tipos de tensor: admite 14 tipos diferentes

Número real: tf.float32 / 64
Entero: tf.int8 / 16/32/64 tf.uint8 Igual que el anterior
Booleano: tf.bool
Número complejo: tf.complex64 / complex128
Tipo predeterminado: int32 predeterminado sin punto decimal, float32 predeterminado con punto decimal tiene requisitos de tipo de datos muy estrictos.

Los cálculos simples profundizan la comprensión: requisitos estrictos sobre los tipos de datos, de lo contrario se informarán los errores

import tensorflow as tf
a = tf.constant([1,2],name='a',dtype=tf.float32)
b = tf.constant([2,3],name='b',dtype=tf.float32)
result = tf.add(a,b)
sess =tf.Session()
print(sess.run(result))
sess.close()

#输出：[3. 5.]