前言

用tensorflow这样工具的原因是：它允许我们用计算图（Computational Graphs）的方式建立网络. 下面就是对计算图的直观讲解。

例如：

结构

计算图所建立的只是一个网络框架。在编程时，并不会有任何实际值出现在框架中。所有权重和偏移都是框架中的一部分，初始时至少给定初始值才能形成框架。因此需要initialization初始化。

用法及参数说明：

请类比管道构建来理解计算图的用法

构造阶段（construction phase）：

组装计算图（管道）

计算图（graph）：

要组装的结构。由许多操作组成。

操作（ops）：

接受（流入）零个或多个输入（液体），返回（流出）零个或多个输出。

数据类型：

主要分为张量（tensor）、变量（variable）和常量（constant）

张量：

多维array或list（管道中的液体）

创建语句：

tensor_name=tf.placeholder(type, shape, name)

参数说明: dtype: 数据类型 shape: 张量 name: 名称(可选参数) 例如:

x = tf.placeholder(float, shape=(1024, 1024))

变量：

在同一时刻对图中所有其他操作都保持静态的数据（管道中的阀门） ####创建语句：

name_variable = tf.Variable(value, name)

初始化语句：个别变量

init_op=variable.initializer()

#所有变量

init_op=tf.initialize_all_variables()

注意：init_op的类型是操作（ops），加载之前并不执行

更新语句：

update_op=tf.assign(variable to be updated, new_value)

常量：

无需初始化的变量

创建语句：

name_constant=tf.constant(value)

执行阶段（execution phase）：

使用计算图（获取液体）

会话：

执行（launch）构建的计算图。可选择执行设备：单个电脑的CPU、GPU，或电脑分布式甚至手机。

创建语句：常规

sess = tf.Session()

#交互

sess = tf.InteractiveSession()

交互方式可用tensor.eval()获取值，ops.run()执行操作

关闭

sess.close()

执行操作：使用创建的会话执行操作

执行语句：

sess.run(op)

送值（feed）：输入操作的输入值（输入液体）

语句：

sess.run([output], feed_dict={input1:value1, input2:value1})

取值（fetch）：获取操作的输出值（得到液体） 语句：

单值获取

sess.run(one op)

多值获取

sess.run([a list of ops]) 图解AI 认证博客专家 数据分析 机器学习 深度学习 致力于：机器学习、深度学习、数据分析、算法、架构、C/C++、Rust、HTML5/webApp、Go、Python、Lua...