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.]