tensorflow: 如何定义常量tensor与变量tensor

最新推荐文章于 2022-12-21 13:16:53 发布

原创

最新推荐文章于 2022-12-21 13:16:53 发布 · 1.3w 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #Tensorflow #深度学习

本文介绍了如何在TensorFlow中声明常量和变量Tensor，包括`tf.zeros`, `tf.ones`, `tf.fill`, `tf.constant`, `tf.linspace`, `tf.range`, `tf.random_uniform`, `tf.random_normal`等函数的使用，并展示了变量的初始化和操作。此外，还提到了将数据转换为Tensor的方法。" 105804854,9530511,Pandas索引详解：从单级到多级,"['数据处理', 'Pandas库', '数据分析', 'Python编程']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Refence: 《Tensorflow machine learning cookbook》 : Declaring Tensors

Packt.TensorFlow.Machine.Learning.Cookbook.2017 笔记

主要应用领域：计算机视觉，语音识别，机器翻译，健康医疗
流行的GPU架构：Nvidia Tesla and Pascal，4G RAM，
GPU软件支持：Nvidia Cuda Toolkit and also v 5.x +
通用十步骤：
1.导入或生成数据集；
2.转换和标准化数据；data = tf.nn.batch_norm_with_global_normalization(...)
3.划分训练、测试和验证数据集；
4.设置超参数，集中设置；
learning_rate = 0.01
batch_size = 100
iterations = 1000
5.初始化变量与占位符；通过占位符喂数据，模型调整变量，权重和偏好。
a_var = tf.constant(42)
x_input = tf.placeholder(tf.float32, [None, input_size])
y_input = tf.placeholder(tf.float32, [None, num_classes])
6.定义模型结构；构建计算图。
y_pred = tf.add(tf.mul(x_input, weight_matrix), b_matrix)
7.定义损失函数；
loss = tf.reduce_mean(tf.square(y_actual – y_pred))
8.初始化和训练模型
with tf.Session(graph=graph) as session:
...
session.run(...)
...
或：
session = tf.Session(graph=graph)
session.run(…)
9.评估模型；在训练集和测试集上。
10.超参数调优；在验证集上
11.应用，部署上线，预测新输出；

http://tensorfly.cn/tfdoc/mltools.html有广泛的机器学习资源介绍。
但tensorflow的api在tensorfly.cn上还没有。可以下一个tensorflow manual,里面包括了tensorflow的基础教程，运作方式和python,c++的api.