文章目录[隐藏]
目录
一、基础理论
1、TensorFlow
tensor
:张量(数据)
flow
:流动
Tensor-Flow
:数据流
2、TensorFlow过程
TensorFlow构成:图和会话
1、构建图阶段
构建阶段:定义了数据(张量tensor)与操作(节点operation),构成图(静态)
张量:TensorFlow中的基本数据对象。
节点:提供图中执行的操作。
2、执行图阶段(会话)
执行阶段:使用会话执行定义好的数据与操作。
二、TensorFlow实例(执行加法)
1、构造静态图
1-1、创建数据(张量)
#图(静态) a = tf.constant(2) #数据1(张量) b = tf.constant(6) #数据2(张量)
1-2、创建操作(节点)
c = a + b #操作(节点)
2、会话(执行)
API:
普通执行
#会话(执行) with tf.Session() as sess: print(sess.run(a + b))
fetches(多参数执行)
#会话(执行) with tf.Session() as sess: print(sess.run([a,b,c]))
feed_dict(参数补充)
def Feed_Add(): #创建静态图 a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) c = tf.add(a,b) #会话(执行) with tf.Session() as sess: print(sess.run(c, feed_dict={a:0.5, b:2.0}))
总代码
import tensorflow as tf def Add(): #图(静态) a = tf.constant(2) #数据1(张量) b = tf.constant(6) #数据2(张量) c = a + b #操作(节点) #会话(执行) with tf.Session() as sess: print(sess.run([a,b,c])) def Feed_Add(): #创建静态图 a = tf.placeholder(tf.float32) b = tf.placeholder(tf.float32) c = tf.add(a,b) #会话(执行) with tf.Session() as sess: print(sess.run(c, feed_dict={a:0.5, b:2.0})) Add() Feed_Add()
以上就是Python深度学习TensorFlow神经网络基础概括的详细内容,更多关于TensorFlow神经网络基础的资料请关注华域联盟其它相关文章!
您可能感兴趣的文章:
- Python深度学习实战PyQt5基本控件使用解析
- Python深度学习pytorch实现图像分类数据集
- Python深度学习pytorch卷积神经网络LeNet
- Python深度学习之实现卷积神经网络
- Python深度学习神经网络基本原理
本文由 华域联盟 原创撰写:华域联盟 » Python深度学习TensorFlow神经网络基础概括
转载请保留出处和原文链接:https://www.cnhackhy.com/38957.htm