Tensorflow之張量和會話

tensorflow的名字表明了張量的含義。在tensorflow中，所有資料通過張量形式表示。張量可以理解為多維陣列。零階張量表示標量，也就是乙個數；一階張量為向量，一維陣列；n階張量可以理解為n維陣列。

tensorflow中，張量並沒有儲存數字，只是表示數字的計算過程，是對tensorflow中運算結果的引用。

import tensorflow as tf
a = tf.constant([1, 2], name="a", dtype=tf.float32)
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name='add')
print(result)  # tensor("add:0", shape=(2,), dtype=float32)

上面**中，並不會得到加法的結果，只能得到引用，儲存在result中。

引用的型別表示為： tensor("add:0", shape=(2,), dtype=float32)

張量結構儲存了三個屬性：名字(name)、維度(shape)、型別(type)

張量的第乙個屬性除了是該張量的唯一識別符號外，還表示了張量的計算方式。上面**表明是通過加法計算得到。張量的名字通過"node:src_output"的形式給出，其中node為節點的名稱，src_output表示當前張量來自該節點的第幾個輸出。如a

dd:0說明該張量節點名稱為add，第乙個輸出。

張量的第二個屬性shape表明了他的維度。shape=(2,)說明該張量是乙個一維陣列，長度為2.

張量的第三個屬性表明了該張量的資料型別。執行時，tensorflow會對所有張量進行資料型別檢查，發現型別不匹配時會報錯。如下面這段**會報錯：

import tensorflow as tf
a = tf.constant([1, 2], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name='add')
print(result)  # tensor("add:0", shape=(2,), dtype=float32)

去掉張量a後面的小數點後型別不一致，則報錯，可以在a後顯示新增資料型別：

import tensorflow as tf
a = tf.constant([1, 2], name="a", dtype=tf.float32)
b = tf.constant([2.0, 3.0], name="b")
result = tf.add(a, b, name='add')
print(result)  # tensor("add:0", shape=(2,), dtype=float32)

2.張量的使用張量的使用主要分為兩大類：

第一類用途時對中間結果的引用，提高**的可讀性。如下**：

# 使用張量記錄中間結果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
# 直接計算向量的和，可讀性差
result=tf.constant([1.0, 2.0], name="a")+tf.constant([2.0, 3.0], name="b")

第二類情況是計算圖構造玩完成後，張量可以用來獲取計算結果，得到真實的數字。雖然張量本身沒有儲存具體的數字，但是通過會話(session)就可以得到這些具體的數字。如下**：

# 使用張量記錄中間結果
a = tf.constant([1.0, 2.0], name="a")
b = tf.constant([2.0, 3.0], name="b")
result = a + b
with tf.session() as sess:
tf.initialize_all_variables().run()
print(sess.run(result))

3.會話

tensorflow使用會話(session)來執行定義好的計算，其擁有並管理程式執行時的所有資源。當計算完成時，我們需要關閉會話來幫助系統**資源，否則就可能資源洩漏。在tensorflow中使用會話的方式有兩種：

第一種需要自己生成會話和關閉會話，**如下：

sess = tf.session()  # 建立乙個會話
print(sess.run(result))  # 使用會話獲得結果
sess.close()  # 關閉會話，釋放資源

使用這種方式需要最後呼叫sess.close()函式關閉會話，否則可能存在記憶體洩漏的問題。

第二種是通過python的上下文管理器來使用會話，**如下：

with tf.session() as sess:
tf.initialize_all_variables().run()
print(sess.run(result))

此種方式不需要呼叫session.close()函式來關閉會話，當上下文退出時會自動關閉會話和釋放資源。

此外，tensorflow不會自動生成預設的會話，需要手動指定。當預設的會話被指定後可以通過eval()函式獲取張量的值，**如下：

sess = tf.session()
with sess.as_default():
print(result.eval())

使用tf.interactivesession()也可以自動生成預設的會話：

sess = tf.interactivesession()
print(result.eval())
sess.close()

Tensorflow之張量和會話

Tensorflow實戰張量

tensorflow 張量生成

Tensorflow張量（tensor）解析

Tensorflow之張量和會話

Tensorflow實戰 張量

tensorflow 張量生成

Tensorflow張量（tensor）解析

相關推薦

Tensorflow實戰張量