TensorFlow基本概念

最新推荐文章于 2025-02-20 13:57:03 发布

lyd1995

最新推荐文章于 2025-02-20 13:57:03 发布

阅读量478

点赞数 1

CC 4.0 BY-SA版权

分类专栏： tensorflow学习文章标签： tensorflow基础

本文链接：https://blog.youkuaiyun.com/lyd1995/article/details/83472025

本文介绍了TensorFlow的基本概念，包括数据流图的节点和边，以及TensorFlow中的张量、Operation、Graph对象、Session和Variable。张量是n维矩阵的抽象，Operation执行对张量的运算，而Session负责执行数据流图。Variable对象允许对值进行修改，trainable参数控制其是否可被自动优化。名称作用域用于组织和封装节点。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、数据流图

1、节点

通常以圆圈、椭圆和方框表示，代表对数据所做的某种运算或操作

2、边

对应于向Operation传入和从Operation传出的实际值，通常以箭头表示

3、TensorFlow中的数据流图

在TensorFlow上运行不同的模型，都有相同的两个步骤：
（1）定义数据流图
例如：下面这个数据流图，用TensorFlow表示：
在这里插入图片描述

import tensorflow as tf

a = tf.constant(5, name = 'input_a')
b = tf.constant(3, name = 'input_b')
c = tf.mul(a, b)
d = tf.add(a, b)
e = tf.add(b, c)

（2）运行数据流图
使用会话（Session）执行定义好的数据流图

sess = tf.Session()
sess.run(e)

二、TensorFlow基本数据结构

1、张量思维

（1）基本概念

张量（tensor）：n维矩阵的抽象。
1阶张量：向量
2阶张量：矩阵
对于更高维数的张量，可以称为“N维张量”或者“N阶张量”

上述例子中，节点输入是标量，以后为了方便使用，改换为张量，这样可以简化流图：
在这里插入图片描述
简化后，数据流图的定义变为：

import tensorflow as tf

a = tf.constant([5, 3], name = "input_a")
b = tf.reduce_prod(a, name = "prod_b")
c = tf.reduce_sum(a, name = "sum_c")
d = tf.add(b, c,name = "add_d")

一般来说可以不加区分地使用“张量“或者”Tensor对象“