Python深度学习TensorFlow神经网络基础概括

一、基础理论

1、TensorFlow

tensor：张量（数据）

flow：流动

Tensor-Flow：数据流

2、TensorFlow过程

TensorFlow构成：图和会话

1、构建图阶段

构建阶段：定义了数据(张量tensor)与操作(节点operation)，构成图（静态）

张量：TensorFlow中的基本数据对象。

节点：提供图中执行的操作。

2、执行图阶段（会话）

执行阶段：使用会话执行定义好的数据与操作。

 

二、TensorFlow实例（执行加法）

1、构造静态图

1-1、创建数据（张量）

#图（静态）
a = tf.constant(2)    #数据1（张量）
b = tf.constant(6)    #数据2（张量）

1-2、创建操作（节点）

c = a + b              #操作（节点）

2、会话（执行）

API：

普通执行

#会话（执行）
with tf.Session() as sess:
  print(sess.run(a + b))

fetches（多参数执行）

#会话（执行）
with tf.Session() as sess:
  print(sess.run([a,b,c]))

feed_dict（参数补充）

def Feed_Add():
  #创建静态图
  a = tf.placeholder(tf.float32)
  b = tf.placeholder(tf.float32)
  c = tf.add(a,b)
  
  #会话（执行）
  with tf.Session() as sess:
      print(sess.run(c, feed_dict={a:0.5, b:2.0}))

 

总代码

import tensorflow as tf
def Add():
  #图（静态）
  a = tf.constant(2)    #数据1（张量）
  b = tf.constant(6)    #数据2（张量）
  c = a + b              #操作（节点） 
  #会话（执行）
  with tf.Session() as sess:
      print(sess.run([a,b,c])) 
def Feed_Add():
  #创建静态图
  a = tf.placeholder(tf.float32)
  b = tf.placeholder(tf.float32)
  c = tf.add(a,b)    
  #会话（执行）
  with tf.Session() as sess:
      print(sess.run(c, feed_dict={a:0.5, b:2.0}))        
Add()
Feed_Add()

以上就是Python深度学习TensorFlow神经网络基础概括的详细内容，更多关于TensorFlow神经网络基础的资料请关注服务器之家其它相关文章！

原文链接：https://blog.csdn.net/great_yzl/article/details/120479152