Tensorflow基础笔记

1、Keras是一个由Python编写的开源人工神经网络库。

2、深度学习主要应用在三个大的方向，计算机视觉，自然语言处理，强化学习

3、计算机视觉主要有：图片识别，目标检测，语义分割，视频理解（行为检测），

图片生成，艺术风格迁移等等。

4、自然语言处理：机器翻译、聊天机器人

5、强化学习：虚拟游戏、机器人、自动驾驶

6、tensorflow:加速计算，自动梯度，

常用神经网络接口：

TensorFlow 除了提供底层的矩阵相乘、相加等数学函数，还内建了常用神经网络运算

函数、常用网络层、网络训练、模型保存与加载、网络部署等一系列深度学习系统的便捷

功能。使用 TensorFlow 开发，可以方便地利用这些功能完成常用业务流程，高效稳定。

7、tf.constant(2，tf.int16)常量，值不能改变

tf.Variable(4,tf.int16)变量，值可以改变，但是形状和数据类型不能改变

8、除了tf.zeros()和tf.ones()能够创建一个初始值为0或1的张量之外，还有一个tf.random_normal()函数，它能够创建一个包含多个随机值的张量，这些随机值是从正态分布中随机抽取的（默认的分布均值为0.0，标准差为1.0）。

9、另外还有一个tf.truncated_normal()函数，它创建了一个包含从截断的正态分布中随机抽取的值的张量，其中下上限是标准偏差的两倍。

10、图和会话：所有不同的变量以及对这些变量的操作都保存在图（Graph）中。在构建了一个包含针对模型的所有计算步骤的图之后，就可以在会话（Session）中运行这个图了。会话可以跨CPU和GPU分配所有的计算。

graph = tf.Graph()
with graph.as_default():
    a=tf.Variable(8,tf.float32)
    b=tf.Variable(tf.zeros[2,2],tf.float32)     

with tf.Session(graph=graph) as session:
   tf.global_variables_initializer().run()
   print(f)
   print(session.run(f))
   print(session.run(k))

结果：

<tf.Variable 'Variable:0' shape=() dtype=int32_ref> #print (a)
8
[[0. 0.]
[0. 0.]]

11、占位符和feed_dicts

在tensorflow中我们在执行session之前需要设置占位符，在session.run中用feed_dict 将其传入

tensorflow中的占位符用 tf.placeholder并且有三个参数

（1）数据类型：

（2）数据大小：

（3）占位符名称：

例如：

import tensorflow as tf
import numpy as np
 
x = tf.placeholder(tf.float32, [2, 50], name = 'originalx')
y = tf.placeholder(tf.float32, [2,50], name = 'originaly')
 
c = x+y
 
with tf.Session() as sess:
    a = np.random.randint(0,80,100).reshape((2,50))
    aa = np.random.random(100).reshape((2,50))
    result = sess.run(c, feed_dict = {x:a, y:aa})
    print(result)