人工智能-深度学习(2)TensorFlow安装及基本使用(学习笔记)

2022-02-16一、 简介

它是一个开源的人工智能学习系统。为什么叫这个名字?

表示张量,代表N维数组;Flow表示流,表示基于数据流图的计算。

N维数从流程图的一端流到另一端的过程,就是人工智能神经网络分析处理的过程。

据说占领了移动端后就开源了,希望能占领AI端。

TF 的特点是可以支持多种设备,从 GPU 和 CPU 到小型平板电脑和手机,都可以运行 TF。

而且TF使用起来非常方便,几行代码就可以开始运行模型,这让神经网络上手非常简单。

二、 的安装

由于精力有限,这里只介绍平台上的安装,其他平台的安装方法还有很多。

我安装的方法是最简单粗暴的方法:

1.官网下载64位

(注意你自己的版本)

安装过程中要注意的一件事是勾选下图中的两个选项,其他默认即可:

2.安装成功后打开,切换到功能栏,可以看到很多工具包,搜索,勾选,然后点击应用安装。

三、的基本操作

在接触神经网络之前,我们先搞清楚基本运算,即加减乘除。

首先,有几个概念需要澄清:

如果您将每个图表视为一台车床,那么本次会议就是一个研讨会,其中有几台车床用于将数据生成结果。

图像的隐喻是:将会话视为车间,将图形视为车床,以原材料为原料,变量为容器,进料和取料为铲子,数据处理成我们的结果。

创建和运行图表

让我们创建一个图表并在其中执行它。不要担心不理解它。每一句代码都会被注释。只要你有编程基础,都可以:

#引入TensorFlow包
import tensorflow as tf
#创建一个常量v1,它是1*2的矩阵
v1=tf.constant([[2,3]])

图片[1]-人工智能-深度学习(2)TensorFlow安装及基本使用(学习笔记)-唐朝资源网

#创建一个常量v2,它是2*1的矩阵 v2=tf.constant([[2],[3]]) #创建一个矩阵乘法,这里要注意的是,创建了乘法后,是不会立即执行的,要在会话中执行才行 product=tf.matmul(v1,v2) #打印,得到的不是乘法的结果,而是得到乘法本身 print(product) #定义一个会话 sess=tf.Session() #运行乘法,得到结果 result=sess.run(product) #打印结果 print(result) #关闭会话 sess.close()

以上是最简单的矩阵乘法。

创建变量并使用for循环为变量赋值

#创建一个变量num
num = tf.Variable(0,name = "count")
#创建一个加法操作,把当前的数字加10
new_value = tf.add(num,10)
#创建一个赋值操作,将new_value的值赋值给num
op = tf.assign(num,new_value)
#使用这种写法,在运行完毕以后,会话自动关闭
with tf.Session() as sess:
    #初始化变量

    sess.run(tf.global_variables_initializer())
    #打印num的初始值
    print(sess.run(num))
    #创建一个for循环,每次给num+10,并打印出来
    for i in range(5):
        sess.run(op)
        print(sess.run(num))

可以看出,除了创建变量要麻烦一点,必须建立才能运行,其他操作基本和普通一样。

通过 Feed 设置的值

有时候,我们在声明变量的时候不赋值,只在计算的时候赋值。这时,饲料就派上用场了。


#创建一个变量占位符input1
input1 = tf.placeholder(tf.float32)

input2 = tf.placeholder(tf.float32)
#创建一个乘法操作,把input1和input2相乘
new_value=tf.multiply(input1,input2)
#使用这种写法,运行完毕后,会话会自动关闭
with tf.Session() as sess:
    #打印new_value的值,在运算时,用feed设置两个输入的值
    print(sess.run(new_value,feed_dict={input1:23.0,input2:11.0}))

分类:

技术要点:

相关文章:

© 版权声明
THE END
喜欢就支持一下吧
点赞6赞赏 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容