TensorFlow运行过程及原理

最新推荐文章于 2025-07-03 10:31:03 发布

AI小生

最新推荐文章于 2025-07-03 10:31:03 发布

阅读量1w

点赞数 7

CC 4.0 BY-SA版权

分类专栏： TensorFlow运行过程 TensorFlow基础原理占位符详解文章标签： TensorFlow pleaceholder feed_dict session graph

本文链接：https://blog.youkuaiyun.com/weixin_44075878/article/details/84981065

本文介绍了TensorFlow的工作原理，包括计算图的概念、会话的使用、Tensor的创建与变量的管理，以及占位符和feed_dict的作用。通过构建和运行图，展示了在Python环境中如何交互式地使用TensorFlow进行计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是一篇学习笔记，基本框架是按照TensorFlow官方文档来的，并且大部分内容引用自该文档，另外加了自己的一些理解

基础

使用图 (graph) 来表示计算任务.
在被称之为 会话 (Session) 的上下文 (context) 中执行图.
使用 tensor 表示数据.
通过 变量 (Variable) 维护状态.
使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.

综述

TensorFlow 是一个编程系统, 使用图来表示计算任务. 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 CPU 或 GPU 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 tensor 是 numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是 tensorflow::Tensor 实例.