二零二三年 优质公开课Tensorflow介绍.pptx

Tensorflow介绍;1. 掌握Tensorflow基本概念;1. Tensorflow介绍2. Tensorflow基本基本概念;TensorFlow? 是一个使用数据流图进行数值计算的开源软件库。图中的节点代表数学运算， 而图中的边则代表在这些节点之间传递的多维数组（张量）。这种灵活的架构可让您使用一个 API 将计算工作部署到桌面设备、服务器或者移动设备中的一个或多个 CPU 或 GPU。 TensorFlow 最初是由 Google 机器智能研究部门的 Google Brain 团队中的研究人员和工程师开发的，用于进行机器学习和深度神经网络研究， 但它是一个非常基础的系统，因此也可以应用于众多其他领域。 TensorFlow 可以灵活适应不同的使用规模，既支持探索性研究，也支持大规模生产用途。 TensorFlow目前最新的版本是1.4;我们推荐使用GPU运行tensorflow，因为GPU比CPU更适合张量的运算，效率成倍数提升。但是并不是每台设备都配备GPU，没有GPU的设备可以使用CPU版本。 Tensorflow支持多种语言的，推荐使用python做为API，因为它代码简洁，容易上手，最重要的是能混合其他DL库一块使用。 Tensorflow需要python 3.5以上的运行环境，如果没有请下载安装。安装有python环境的执行pip install tensorflow或者 pip install tensorflow-gpu 即可进行安装，安装过程会自动下载安装所需要的依赖库。 有线性代数与矩阵，概率论，多重积分，级数变换，信息论等工科基础。 了解前馈神经网络（BP），卷积神经网络（CNN），循环神经网络（RNN）算法。;Tensor（张量）：张量是tensorflow核心的基本数据单元。?张量是一个多维数组。?? rank：张量的秩,就是张量的维数。?shape：描述张量的形状。计算方法：去掉中括号，逗号+1就是数组的值。数组的的长度是rank。举例： [1., 2., 3.] # a rank 1 tensor; a vector with shape [3] [[1., 2., 3.], [4., 5., 6.]] # a rank 2 tensor; a matrix with shape [2, 3] [[[1., 2., 3.]], [[7., 8., 9.]]] # a rank 3 tensor with shape [2, 1, 3] ; 计算图是由一系列的tensorflow的操作组成，并且这些操作编配成计算图的节点。 站在计算图的角度，你可以认为tensorflow程序是有相对独立的两部分组成。 构建计算图、运行计算图。 node1 = tf.constant(3.0, dtype=tf.float32) node2 = tf.constant(4.0) print(node1, node2) 打印结果： Tensor(Const:0, shape=(), dtype=float32) Tensor(Const_1:0, shape=(), dtype=float32);Session：囊括tensorflow运行时候的状态，运行控制。 sess = tf.Session() print(sess.run([node1, node2])) 结果：[3.0, 4.0] 我们当然可以写出更复杂的计算图。 from __future__ import print_function node3 = tf.add(node1, node2) print(node3:, node3) print(sess.run(node3):, sess.run(node3)) 打印出两行： node3: Tensor(Add:0, shape=(), dtype=float32) sess.run(node3): 7.0;placeholders：在计算图中，能够接受额外输入，通常情况下，提供的值晚于定义。 a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) adder_node = a + b 以上三行代码，很像一个函数，或者是lambda表达式。我们可以通过feed_dict参数 去填充一些具体的值。 print(sess.run(adder_node, {a: 3, b: 4.5})) print(sess.run(adder_node, {a: [1, 3], b: [2, 4]})) 输出结果： 7.5 [ 3. 7.];Variables ：是在模型训练中，允许修改的量。相同的输入，通过修改变量