5、TensorFlow基础与逻辑回归模型实现

TensorFlow基础与逻辑回归模型实现

1. TensorFlow操作

在变量初始化的背景下，我们已经对操作有了初步的了解，但这些只是TensorFlow中可用操作的一小部分。从高层次来看，TensorFlow操作代表了应用于计算图中张量的抽象变换。操作可能具有一些属性，这些属性可以事先提供，也可以在运行时推断。例如，一个属性可以用来描述输入的预期类型（如相加float32类型的张量与int32类型的张量）。和变量一样，操作也可以有一个可选的名称属性，以便于在计算图中引用。

一个操作由一个或多个内核组成，这些内核代表特定设备的实现。例如，一个操作可能有单独的CPU和GPU内核，因为它在GPU上可以更高效地执行。许多TensorFlow的矩阵操作就是这种情况。

以下是TensorFlow操作的分类及示例表格：
| 类别 | 示例 |
| — | — |
| 逐元素数学运算 | Add, Sub, Mul, Div, Exp, Log, Greater, Less, Equal等 |
| 数组操作 | Concat, Slice, Split, Constant, Rank, Shape, Shuffle等 |
| 矩阵操作 | MatMul, MatrixInverse, MatrixDeterminant等 |
| 有状态操作 | Variable, Assign, AssignAdd等 |
| 神经网络构建块 | SoftMax, Sigmoid, ReLU, Convolution2D, MaxPool等 |
| 检查点操作 | Save, Restore |
| 队列和同步操作 |