本文深入解析TensorFlow中的数据流图概念，介绍其由节点和边组成的结构，节点执行如加法、减法等数值操作，边则代表流动的张量。探讨了张量作为tf中所有数据表示形式的角色，从零维标量到多维数组的不同类型。同时，文章还阐述了操作(operation)、会话(session)、变量(variable)、占位符(placeholder)和优化器(optimizer)等关键组件的功能和作用。
- 数据流图：
构建计算的方式
节点/边组成
节点代表数值操作（加法减法卷积池化）
边代表流动的张量 - 张量
tf中所有数据表示
一个N维数组
零维 标量 scalar
一维 向量 vector
二维 矩阵 matrix - 操作
计算操作通过操作operation来进行
数据流图中的一个结点
对张量进行操作 - 会话
控制数据流图执行的对象
运行session.run()执行运算获得结果
数据流图需要在会话中启动
会话将图的操作分发到CPU/GPU执行后返回tensor结果 - 变量
维护图执行过程中的状态信息
可变/训练过程中自动更新或优化，常用于模型参数
仙初始化，可在训练时/后保存到磁盘中 - 占位符placeholder
给计算图提供输入
常用于传递训练样本 - 优化器
按一定规则优化每个变量，最大限度减少损失函数
笔记3-tensorflow
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
