TensorFlow学习笔记01

TensorFlow学习笔记01

一、TensorFlow的基本概念

• ​​TensorFlow是一个开放源代码软件库，用于进行高性能数值计算
• 借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、 GPU、 TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）
• TensorFlow最初是由Google Brain团队（隶属于Google的Al部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强力支持

1、TensorFlow的Hello World

2、TensorFlow的概念

TensorFlow = Tensor + Flow

Tensor  张量

        数据结构：多维数组

Flow 流

        计算模型：张量之间通过计算而转换的过程

TensorFlow是一个通过计算图的形式表述计算的编程系统

        每一个计算都是计算图上的一个节点

        节点之间的边描述了计算之间的关系

3、计算图（数据流图）的概念

        

计算图是一个有向图，由以下内容构成：

• 一组节点，每个节点都代表一个操作，是一种运算
• 一组有向边，每条边代表节点之间的关系（数据传递和控制依赖)

TensorFlow有两种边：

• 常规边（实线）：代表数据依赖关系。一个节点的运算输出成为另一个节点的输入，两个节点之间有tensor流动（值传递)）
• 特殊边（虚线）：不携带值，表示两个节点之间的控制相关性。比如，happens-before关系，表明源节点必须在目的节点执行前完执行

计算图案例演示：

如果需要看到node3的计算结果，那么需要利用tf.Session()的run方法。

关闭会话之后，如果再去执行run方法，就会报错。

4、张量的概念

• 在TensorFlow中，所有的数据通过张量的形式来表示
• 从功能的角度，张量可以简单理解为多维数组

            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

            n阶张量可以理解为一个n维数组

• 张量并没有真正保存数字，它保存的是计算过程

5、张量的属性

（1）名字（name）

         "node:src_output"：node 节点名称，src_output 来自节点的第几个输出

（2）形状（shape）

          张量的维度信息，shape=()，表示是标量

（3）类型（type）

          每一个张量会有一个唯一的类型

          TensorFlow会对参与运算的所有张量进行类型的检查，发现类型不匹配时会报错

5、张量的形状

三个术语描述张量的维度：阶（rank）、形状（shape）、维数（dimension number）