人工智能系统管理与维护 课件 5.1 TensorFlow基本操作.pptx

;;; TensorFlow是谷歌公司在2015年9月开源的一个深度学习框架，最初由Google Brain Team的研究人员和工程师开发。 TensorFlow使用数据流图进行数值计算。图中的节点表示数学运算，边表示它们之间通信的多维数据数组（张量），其架构灵活，可以使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU中。 TensorFlow提供了多种API，最低级别的API-TensorFlow Core提供了完整的编程控制，高级API则建立在TensorFlow Core的顶部。这些更高级别的API通常比TensorFlow Core更容易学习和使用。 安装命令：pip install tensorflow 使用命令：import tensorflow as tf; TensorFlow拥有多层级结构，可部署于各类服务器、PC终端和网页并支持CPU、GPU和TPU高性能数值计算和分布式部署，被广泛应用于谷歌内部的产品开发和各领域的科学研究。使用TensorFlow可实现模型训练、保存模型以及模型部署应用，TensorFlow拥有包括TensorFlow Hub、TensorFlow Lite、TensorFlow Serving、TensorFlow.js以及常用编程语言在内的多个项目以及各类应用程序接口（Application Programming Interface, API）。; TensorFlow使用数据流图进行数值计算。 数据流图中的节点表示数学运算，边表示它们之间通信的多维数据数组（张量），该数据流图由节点A、B、C、D、E和相应的边组成，有两个输入和一个输出。 ;; TensorFlow基本概念：张量，图，操作节点，会话，常量，变量，占位符。 使用张量（tensor）表示数据； 使用图 (graph) 来表示计算任务； operation(简称op)：专门运算的操作节点，所有操作都是一个op； 使用会话（Session）来执行图；（注意：TensorFlow2.x版本不需要使用会话） 使用常量和变量保存张量数据； 使用占位符（placeholder）预留位置，在执行的时候再赋具体的值。 （注意：TensorFlow2.x版本不需要使用占位符）;（1）张量（tensor） 张量可以是标量（0维tensor）、向量（1维tensor）、矩阵（2维tensor）、张量（3维及以上tensor），张量是广义的矩阵。 张量可表示为：Tensor(add:0, shape=(), dtype=float32) 张量主要包含三部分，分别为名字（name）、形状（shape）和类型（dtype）。例如add:0为名字（name），“add”为节点名称，“0”为节点的输出；形状（shape）是张量的维度信息，输出为 shape=( ) ；类型（dtype）是张量的类型信息，每一个张量会有一个唯一的类型， TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错。 ;TensorFlow基本概念;（2）计算图（graph） TensorFlow是一个通过计算图的形式表示计算的编程框架，所有的数据和计算都会被转化成计算图上的一个节点，节点之间的边描述了计算之间的关系。计算图也称数据流图，算法模型的实现过程实质上就是张量之间通过计算而转换的过程，会形成具有边和节点的一张图。;（3）会话（Session） 在TensorFlow 1.x中，通常将模型计算分为两步，分别为定义计算图（graph）和执行计算。计算图（graph）仅定义了所有operator(计算操作)与tensor(张量)流向，没有进行任何计算。而会话（session）根据计算图（graph)的定义分配资源，执行真正计算操作，得出结果。 一个计算图（graph）可以在多个会话（session）中运行，一个会话（session）也能运行多个计算图（graph）。 ;TensorFlow 1.x执行计算具体步骤为： sess = tf.Session() ??#创建会话 sess.run(…) ???? # 启动会话 sess.close() ???? #关闭会话，资源释放 TensorFlow 1.x还可以使用上下文管理器执行计算（默认使用完关闭会话）步骤为： with tf.Session() as sess: sess.run(…);（4）常量（constant）和变量（Variable） 就像学习