**TensorFlow基础：TensorFlow三个基础核心概念：计算图、Tensor、Session计算图：
在TensorFlow中，计算图是一个有向图，用来描述计算节点以及计算节点之间的关系，所以在TensorFlow中我们存储一个值或者数组的时候，存的其实是这个值或者数组的计算图而不是其本身的数字。我们可以用写一个简单的例子来验证一下：#GPU版本
import tensorflow as tf
g=tf.Graph()
with g.device("/gpu:0"):#c=lambda a,b:a+bd=tf.constant([10,9,8,7])e=tf.constant([1,2,3,4])f_1=d+fprint(f_1.graph)print(d.graph,e.graph)sess=tf.Session()print(sess.run(f_1))#CPU版
import tensorflow as tfa=tf.constant([1,2,3,4],name='a')
b=tf.constant([0,1,2,3],name='b')
c=a+b
print(a.graph,b.graph)
print(c.graph)sess=tf.Session()print(sess.run(c))关于计算图的操作
1、新建计算图:g=tf.Graph()，但是不同计算图上的张量是不能共享的,这个是存在于变量
2、指定计算图的使用的device:with g.device("/gpu:0"):
3、设置默认计算图:with g.as_default:
4、在会话中可以指定使用的计算图:with tf.Session(graph=g1):
对于以上操作用代码说话，建议大家和我一起写，这样才会有比较大的体会和能够记住，import tensorflow as tfg1=tf.Graph()
with g1.as_default():a=tf.constant([1,2,3],name="a")#用常量试试看b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [1]))#用变量试试看
g2=tf.Graph()
with g2.as_default():a=tf.constant([2,3],name="a")#用常量试试看b=tf.get_variable('b',initializer=tf.constant_initializer()(shape = [3]))#用常量试试看with tf.Session(graph=g2) as sess:with g1.device("/cpu:0"):tf.global_variables_initializer().run()c=a+1print("常量的情况下",sess.run(c))with tf.variable_scope("", reuse=True):print("变量情况下",sess.run(tf.get_variable("b")))
with tf.Session(graph=g2) as sess:with g2.device("/gpu:0"):tf.global_variables_initializer().run()c=a+1print("常量的情况下",sess.run(c))with tf.variable_scope("", reuse=True):print("变量情况下",sess.run(tf.get_variable("b")))张量：
张量（tensor）可以简单理解为多维数组。其中零阶张量表示标量（scalar），也就是一个数；一阶张量为向量（vector），也就是一维数组；第n阶张量可以理解为一个n维数组。但是张量在Tensorflow中的实现并不是直接采用数组的形式，它只是对Tensorflow中运算结果的引用。在张量中并没有真正保存数字，它保存的是如何得到这些数字的计算过程。import tensorflow as tfa=tf.constant(2,name='a')
b=tf.constant([0,1,2,3],name='b')
c=a*b
print(a,b)
print(c)sess=tf.Session()print(sess.run(c))会话：
在TensorFlow中，计算图的计算过程都是在会话下进行的，同一个会话内的数据是可以共享的，会话结束计算的中间量就会消失。在TensorFlow需要指定会话。import tensorflow as tfwith tf.Session as sess:print(sess.run(result))sess=tf.Session()
with sess.as_default():print(result.eval())sess = tf.InteractiveSession()#会自动成为默认会话TensorFlow 基础API介绍
我们这个课程的是将TensorFlow的高阶API，但是由于在我们的应用案例中不可能都是高阶API，还会涉及到一些常用必须的基础的API，我们在开始讲高阶API之前也先简单讲一下低阶的基础API.根据TensorFlow官网以及在日常的编程中的使用情况，我梳理了以下需要掌握的TensorFlow基础API:tf.Graph():
tf.Graph.device():
tf.Graph.as_default():
tf.Session():
tf.Session.run():
tf.Session.as_default():
tf.InteractiveSession():
tf.constant():
tf.variable():
tf.get_variable():
tf.placeholder():
tf.agrmax
tf.train()
tf.nn()
前面我们在讲解计算图、张量、会话时有些基础的API已经讲解了，在这里我们就不重复讲。我们这里重点讲一下tf.train和tf.nn这两个非常重要的API.**
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！
