TensorFlow:计算、数据、运行模型

本文介绍了TensorFlow的核心概念,包括计算图、张量和会话。计算图作为编程模型,描述了计算过程,张量表示多维数据,会话用于执行计算图并管理资源。文章详细讲解了计算图的应用、张量的属性和使用,以及会话的三种使用模式和配置方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

TensorFlow 概述

TensorFlow 是一个编程系统, 使用图(graph)来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. 例如, 你可以将一小组图像集表示为一个四维浮点数数组, 这四个维度分别是 [batch, height, width, channels]

一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动. 会话 将图的 op 分发到诸如 CPUGPU 之类的 设备 上, 同时提供执行 op 的方法. 这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensornumpy ndarray 对象; 在 CC++ 语言中, 返回的 tensortensorflow::Tensor 实例。

TensorFlow 计算模型——计算图

计算图的概念
  • Tensor

    张量,可以理解为大小可动态调整的多维数组
  • Flow

    “流”,数据流向,表示 Tensor(张量)的流动路径和方向,即图(graph)中的线
  • Graph

    计算图,表示 TensorFlow 编程系统中的计算任务,描述了计算的过程,包括结点(nodes)和线(edges)。计算图中的每一个结点都表示一个计算,是张量(Tensor)输入或者输出的地方,结点之间的线表示了计算之间的关系即一个计算(结点)的输入是另一个计算(结点)的输出。
计算图的应用

TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段,在图中构建计算结点即 op .在执行阶段, 使用会话执行执行图中的 op

import tensorflow as tf
a = tf.constant([1.0,2.0], name = "a")
b = tf.constant([2.0,3.0], name = "b")
result = a + b

系统会自动维护一个默认的计算图(default graph)通过 tf.get_default_garph() 函数可以获取当前的默认的计算图。通过 graph 函数可以查看张量所属的计算图,例如 a.graph。所以下面这个操作的输出值为 True

print(a.graph is tf.get_default_garph())

TensorFlow 还支持通过 tf.Graph() 函数来生成新的计算图,不同计算图上的张量和运算都不会共享TensorFlow 使用计算图隔离张量和计算,还提供了管理张量和计算的机制。在不同的计算图上定义和使用张量:

import tensorflow as tf

g1 = tf.Graph()
with g1.as_default(</
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值