TensorFlow框架案例实战-第1课-Tensorflow基础


第1课 Tensorflow基础

为什么选Tensorflow

  • Python 接口。
  • 高移植性:在一个/多个 CPUs 或 GPUs 的笔记本电脑,服务器,甚至移动端,都可以用同样的API。
  • 灵活性:适用Android, Windows, iOS, Linux 等。
  • 可视化:TensorBoard简直太赞。
  • Checkpoints:实验状态保存与恢复。
  • 自动微分/求导(复杂网络也不怕了)。
  • 强大的社区 (> 20,000 commits > 6000 TF-related repos in 1 year)。
  • 有很多公司和项目已经是用的TensorFlow。


简单的用法

  1. TF Learn (tf.contrib.learn): 习惯scikit-learn的 fit函数的同学们,这是tensorflow界的scikit-learn。
  2. TF Slim (tf.contrib.slim): 这是TensorFlow里的 一个轻量浓缩版本高级接口,可以很方便地定义/训练/评估复杂的网络结构模型。
  3. 还想更简单?参考
    • Keras
    • TFLearn
    • Tensorlayer


核心概念

Data Flow Graph

计算定义≠执行计算:计算的定义和执行,被很好地分离开了。

模型跑起来,你需要2步:
  • 描绘整幅图(定义计算)。
  • 在session当中执行图中的运算。


Tensorflow

Tensor + Flow

张量在图中通过运算(op)进行传递和变换。

Tensor/张量

在tensorflow里,大家可以理解成一个n维的矩阵
  • 0-d tensor: 标量/数 scalar (number)
  • 1-d tensor: 向量 vector
  • 2-d tensor: 矩阵 matrix ...


计算依赖

先画图再计算,最后不需要计算的节点不执行。

通过placeholder可以存放用于训练的数据
tf.placeholder(dtype, shape=None, name=None)


Tensorflow数据类型

Tensorflow数据类型

Numpy vs Tensorflow

Numpy vs Tensorflow
已邀请:

要回复问题请先登录注册

返回顶部