TensorFlow 编程概念

最新推荐文章于 2024-09-23 14:54:57 发布

寒冰最强

最新推荐文章于 2024-09-23 14:54:57 发布

阅读量610

点赞数

CC 4.0 BY-SA版权

分类专栏：杂文

本文链接：https://blog.csdn.net/adc_god/article/details/79433256

杂文专栏收录该内容

50 篇文章

订阅专栏

本文介绍TensorFlow编程模型的基础知识，包括张量、指令、图和会话等核心概念。通过实例展示如何创建张量、变量及执行基本运算，并在会话中运行。适合初学者快速入门。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

学习目标：

学习 TensorFlow 编程模型的基础知识，重点了解以下概念：
张量
指令
图
会话
构建一个简单的 TensorFlow 程序，使用该程序绘制一个默认图并创建一个运行该图的会话

概念概览

TensorFlow 的名称源自张量，张量是任意维度的数组。借助 TensorFlow，您可以操控具有大量维度的张量。即便如此，在大多数情况下，您会使用以下一个或多个低维张量：

标量是零维数组（零阶张量）。例如，\'Howdy\' 或 5
矢量是一维数组（一阶张量）。例如，[2, 3, 5, 7, 11] 或 [5]
矩阵是二维数组（二阶张量）。例如，[[3.1, 8.2, 5.9][4.3, -2.7, 6.5]]

TensorFlow 指令会创建、销毁和操控张量。典型 TensorFlow 程序中的大多数代码行都是指令。

TensorFlow 图（也称为计算图或数据流图）是一种图数据结构。很多 TensorFlow 程序由单个图构成，但是 TensorFlow 程序可以选择创建多个图。图的节点是指令；图的边是张量。张量流经图，在每个节点由一个指令操控。一个指令的输出张量通常会变成后续指令的输入张量。TensorFlow 会实现延迟执行模型，意味着系统仅会根据相关节点的需求在需要时计算节点。

张量可以作为常量或变量存储在图中。您可能已经猜到，常量存储的是值不会发生更改的张量，而变量存储的是值会发生更改的张量。不过，您可能没有猜到的是，常量和变量都只是图中的一种指令。常量是始终会返回同一张量值的指令。变量是会返回分配给它的任何张量的指令。

要定义常量，请使用 tf.constant 指令，并传入它的值。例如：

  x = tf.constant([5.2])

同样，您可以创建如下变量：

  y = tf.Variable([5])

或者，您也可以先创建变量，然后再如下所示地分配一个值（注意：您始终需要指定一个默认值）：

  y = tf.Variable([0])
  y = y.assign([5])

定义一些常量或变量后，您可以将它们与其他指令（如 tf.add）结合使用。在评估 tf.add 指令时，它会调用您的 tf.constant 或 tf.Variable 指令，以获取它们的值，然后返回一个包含这些值之和的新张量。

图必须在 TensorFlow 会话中运行，会话存储了它所运行的图的状态：

将 tf.Session() 作为会话：
  initialization = tf.global_variables_initializer()
  print y.eval()

在使用 tf.Variable 时，您必须在会话开始时调用 tf.global_variables_initializer，以明确初始化这些变量，如上所示。

注意：会话可以将图分发到多个机器上执行（假设程序在某个分布式计算框架上运行）。有关详情，请参阅分布式 TensorFlow。

总结

TensorFlow 编程本质上是一个两步流程：

将常量、变量和指令整合到一个图中。
在一个会话中评估这些常量、变量和指令。