python+tensorflow,tensorflow.python

  python+tensorflow,tensorflow.python

  本文主要介绍python深度学习tensorflow入门基础教程示例的详细讲解。有需要的朋友可以借鉴一下,希望能有所帮助。祝大家进步很大,早日升职加薪。

  00-1010文本1、编辑器2、常量3、变量4、占位符5、图形示例1: Hello World示例2:加法和乘法示例3:矩阵乘法

  

目录

  TensorFlow使用张量作为数据结构来表示所有数据。

  用一阶张量来表示向量,如:v=[1.2,2.3,3.5],用二阶张量来表示矩阵,如:m=[[1,2,3],[4,5,6],[7,8,9]],可以看作是方括号的嵌套层数。

  

正文

  写tensorflow代码其实就是写py文件。最好找一个好用的编辑器。如果您对vim或gedit感到满意,那也没问题。现在我们已经安装了anaconda,它附带了一个相当不错的编辑器,名为spyder,类似于matlab,你也可以在右上角查看变量的值。所以我一直用这个编辑器。它的启动方式也很简单,直接在终端输入spyder即可。

  

1、编辑器

  一般我们用语句来介绍张量流。

  将张量流作为tf导入

  所以以后的文章我会直接用tf来表示tensorflow。

  在tf中,常量由以下语句定义:

  a=tf .常数(10)

  这定义了一个值为10的常数A。

  

2、常量

  变量被定义且必须被初始化,例如:

  x=tf。变量(tf.ones([3,3]))

  y=tf。变量(tf.zeros([3,3]))

  分别定义一个33全1矩阵X和一个33全0矩阵Y,并初始化0和1的值。

  定义完变量后,必须显式执行初始化操作,即需要添加以下语句:

  init=TF . global _ variables _ initializer()

  不要忘记这句话,否则你会犯错误。

  示例:定义拉普拉斯W变量:

  将张量流作为tf导入

  将numpy作为np导入

  x=np.array([[1,1,1],[1,-8,1],[1,1,1]])

  w=tf。变量(初始值=x)

  sess=tf。会话()

  sess . run(TF . global _ variables _ initializer())

  打印(sess.run(w))

  

3、变量

  变量在定义的时候需要初始化,但是有些变量因为我们一开始不知道它们的值而无法初始化怎么办?

  然后用占位符来占据一个位置,比如:

  x=tf.placeholder(tf.float32,[无,784])

  指定此变量的类型和形状,然后使用feed方法输入值。

  

4、占位符

  如果把下面的python语句改成tf语句,怎么写:

  x=3

  y=2

  z=x y

  打印(z)

  定义两个变量,将两个数相加,输出结果。如果在tf中直接像上面这样写,那就是错的。x,y,z y,z分别是三个张量对象,对象之间的运算称为operation (op),tf不是把所有的运算都一一执行,而是把所有的运算放到一个图中,图中的每个节点都是一个运算。然后整个图的计算过程交给一个TensorFlow Session来完成,这个Session可以运行整个计算过程,比一个一个操作要高效的多。

  执行代码如下:

  将张量流作为tf导入

  x=tf。变量(3)

  y=tf。变量(5)

  z=x y

  init=TF . global _ variables _ initializer()

  用tf。会话()为sess:

  sess.run(初始化)

  print(sess.run(z))

  Sess.run()是执行。注意操作前的变量初始化。

  需要首先创建会话,并在使用后释放。因此,我们将与一起使用.如同.语句让系统自动释放。

  

5、图(graph)

  将张量流作为tf导入

  word=tf.constant(你好,世界!)

  用tf。会话()为sess:

  print(sess.run(word))

  

例子1:hello world

  将张量流作为tf导入

  a=tf.placeholder(tf.int16)

  b=tf.placeholder(tf.int16)

  add=tf.add(a,b)

  mul=tf.mul(a,b)

  用tf。会话()为sess:

  print(a b=,sess.run(add,feed_dict={a: 2,b: 3}))

  print(a*b=,sess.run(mul,feed_dict={a: 2,b: 3}))

  这里,feed_dict用于输入字典中多个变量的值。

  

例子2:加法和乘法

  将张量流作为tf导入

  a=tf。变量(tf.ones([3,2]))

  b=tf。变量(tf.ones([2,3]))

  product=tf.matmul(5*a,4*b)

  init=TF . initialize _ all _ variables()

  用tf。会话()为sess:

  sess.run(初始化)

  打印(sess.run(product))

  在…之中

  product=tf.matmul(5*a,4*b)

  它也可以更改为

  product=tf.matmul(tf.mul(5.0,a),tf.mul(4.0,b))

  定义变量时,如果没有指定数据类型,默认值是float32,所以是5.0而不是5。

  以上是python深度学习tensorflow基础教程示例的详细内容。关于python深度学习tensorflow基础的更多信息,请关注盛行IT软件开发工作室的其他相关文章!

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

留言与评论(共有 条评论)
   
验证码: