二零二三年 优质公开课TensorFlow的基本概念.pptx

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TensorFlow 202 TensorFlow的基本概念01 TensorFlow API简介03 TensorFlow/Keras的使用步骤04 TensorFlow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 numpy ndarray 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op TensorFlow基本概念构建图import tensorflow as tfa=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 import pat.v1 as tf tf.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 + bwith tf.Session() as sess: 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：