rytyy的博客

Fetch和Feed的用法 1.fetch的用法也就是在session运行时，可以以列表的方式传参，从而同时run多个op # -*- coding:utf-8 -*- import tensorflow as tf # how to use Fetch input1 = tf.constant(3.0) input2 = tf.constant(2.0) input3 =

物理理解：对  的理解就是通过组合形成新物质。又符合了我们所处的世界都是非线性的特点。 情景：是二维向量，维度是碳原子和氧原子的数量，数值且定为，若确定是三维向量，就会形成如下网络的形状 (神经网络的每个节点表示一个维度)。通过改变权重的值，可以获得若干个不同物质。右侧的节点数决定了想要获得多少种不同的新物质。（矩阵的行数） 1. 如果权重W的数值如（1），那么

1，定义一个“添加层”函数import tensorflow as tf def add_layer(inputs,in_size,out_size,activation_function=None): Weights = tf.Variable(tf.random_normal([in_size,out_size])) biases = tf.Variable(tf.zeros

feed用于tensorflow中数据的输入，与placeholder上下呼应，形成数据传递之功能import tensorflow as tf input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) output = tf.multiply(input1,input2) with tf.Session()

import tensorflow as tf state = tf.Variable(0,name='counter') # print(state.name) one = tf.constant(1) new_value = tf.add(state,one) update = tf.assign(state,new_value) init = tf.initialize_all_vari

import tensorflow as tf import numpy as np # create data x_data = np.random.rand(100).astype(np.float32) y_date = x_data*0.1+0.3 # create tensorflow struction start Weights = tf.Variable(tf.random_

import tensorflow as tf matrix1 = tf.constant([[3, 3]]) matrix2 = tf.constant([[2], [2]]) product = tf.matmul(matrix1, matrix2) # matrix multiply np.dot(m1, m2) # method 1 se

一个简单的梯度下降算法验证一次函数的例子 # a semple case # -*- coding:utf-8 -*- import tensorflow as tf import numpy as np #随机生成100个点，而且这100个点在y=0.1x+0.2上，以此作为训练样本 x_date = np.random.rand(100) y_date = x_date*0.1 +0

运行结果即可

1. op的设计及运行一个简单的图import tensorflow as tf x = tf.Variable([1,2]) #创建变量 a = tf.constant([3,3]) #创建常量 sub = tf.subtract(x,a) #定义减法op add = tf.add(x,sub) #定义加法op init = tf.global_variables_initializer()

用法说明： 请类比管道构建来理解计算图的用法 构造阶段（construction phase）：组装计算图（管道） 计算图（graph）：要组装的结构。由许多操作组成。 操作（ops）：接受（流入）零个或多个输入（液体），返回（流出）零个或多个输出。 数据类型：主要分为张量（tensor）、变量（variable）和常量（constant） 张量：多维array