TensorFlow学习报告

TensorFlow简介

---

是一个基于计算图的深度学习库，具有更广泛的应用领域、良好的多语言支持、部署性能等优点，时现今最广泛使用的深度学习框架。

 

计算图Session Tensor

---

import tensorflow as tf
a = tf.constant(32)
b = tf.constant(10)     //定义了两个tensorflow下的数a和b，称为tensor
c = tf.add(a,b)         //加法
print(a)
print(b)
print(c)

很多时候数据是用numpy给出的，可以通tf.convert_to_tensor(数据名，dtype=数据类型（可选）)将其转化为tensor数据类型

 tensorflow将tensor作为节点保存，没有具体的值，开启session即可显示

一维直接写个数
二维用[行，列]
多维用[m,j,k…]

tf.compat.v1.disable_eager_execution()
sess= tf.compat.v1.Session()
//开启session
print(sess.run(a))
print(sess.run([a,b]))
print(sess.run([a,b,c]))
sess.close()

 

#将上面产生的结果保存在一个变量中
py_a=sess.run(a)            //py为一个正常的数值
print(type(py_a))
py_r=sess.run([a,b,c])
print(type(py_r))
print(py_r[0],py_r[1],py_r[2])
sess.close()                   //关闭session

tensor可以有各种各样的类型，如字符串、布尔值、列表、浮点型等

tensorflow矩阵及运算

---

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
sess= tf.compat.v1.Session()
#从4维向量生成（2,2）的矩阵
mat_a=tf.constant([1,2,3,4])
mat_a=tf.reshape(mat_a,(2,2))
print('mat_a：\n',sess.run(mat_a))

#生成2*3的矩阵
mat_b=tf.constant([1,3,5,7,9,11])
mat_b=tf.reshape(mat_b,(2,3))
print('mat_b：\n',sess.run(mat_b))

#矩阵乘法
mat_c=tf.matmul(mat_a,mat_b)
print('mat_c：\n',sess.run(mat_c))

 

 生成随机数

---

• 生成正态分布的随机数，默认均值为0，标准差为1

  tf.random.normal(维度,mean=均值,stddev=标准差)

• 生成截断式正态分布的随机数

  tf.random.truncated_normal(维度,mean=均值,stddev=标准差)

 

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
sess= tf.compat.v1.Session()
d=tf.random.normal([2,2],mean=0.5,stddev=1)
print(d)
e=tf.random.truncated_normal([2,2],mean=0.5,stddev=1)
print(e)
f=tf.random.uniform([2,2],minval=0,maxval=1)
print(f)