TensorFlow2 0基礎知識

三、常量與變數

四、在2.0中實現1.x的靜態圖執行模式

注：本文語法都是基於tensorflow2.0的

import tensorflow as tf      #  匯入

print
("tensorflow版本是："
,tf.__verson__)
# 顯示當前版本

tensorflow版本是：2.0.0

node1 = tf.constant([[

3.0,
1.5],[
2.5,
6.0]
],tf.float32)
node2 = tf.constant([[
4.0,
1.0],[
5.0,
2.5]
],tf.float32)
node3 = tf.add(node1,node2) 
node3     # 輸出的是乙個tensor

print

(node3.numpy())
#輸出運算結果tensor的值

[[7. 2.5]

[7.5 8.5]]

2.屬性 形狀

階形狀維數例子0

()0-d41

(d0)

1-d[2,3,5]

2(d0,d1)

2-d[[2,3],[3,4]]

3(d0,d1,d2)

3-d[[[7], [[3]]],[[[2]],[[4]]]]

n(d0,d1,…,dn-1)

n-d形為(d0,d1,…,dn-1)的張量

scalar = tf. constant (

100)
vector = tf. constant([1
,2,3，4,5
])matrix = tf. constant([1
,2,3
],[4
,5,6
]])cube_matrix = tf. constant([[
1],[
2],[
3],[
[4],
[5],
[6]]
,[[7
],[8
],[9
]]])
print
(scalar.shape)
# 輸出()
print
(vector.shape)
# 輸出(5,)
print
(matrix.shape)
# 輸出(2,3)
print
(cube_matrix. get_shape(
)# 輸出(3, 3, 1)

()

(5,)

(2, 3)

(3,3,1)

a = tf. constant([1

,2])
b = tf. constant(
[2.0
,3.0])
result = tf. add(a, b)
#執行報錯

a = tf. constant([1

,2])
b = tf. constant(
[2.0
,3.0])
a = tf. cast(a, tf. float32)
#資料型別轉換
result = tf. add(a, b)
result

a = tf.constant([1

,2,3
,4,5
,6],tf.float32, shape=[2
,3])
a

v1 = tf. variable(

[1， 2])
v2 = tf. variable(
[3， 4
], tf. float32)
v1, v2

(,

)

還可以直接利用張量賦初值

c = tf. constant (1) 

v = tf. variable(c)
c, v

(,

)

tensorflow中的變數是一種特殊的設計，是可以被機器優化過程中自動改變值的張量，也可以理解為待優化的張量。

在tensorflow中變數建立（賦初值）後，一般無需人工進行賦值，系統會根據演算法模型，在訓練優化過程中自動調整變數的值。

在變數的引數中，trainable引數用來表徵當前變數是否需要被自動優化，建立變數物件時預設是啟用自動優化標誌。但是有時候（如遷移學習）對某些已經訓練好的權值，我們會將其凍結。

如果硬要人工更新變數值，可使用assign()實現

v = tf. variable(5)

v. assign(v+1)
v

v1 = tf. variable(5)

v2 = tf. variable(5)
v1.assign_add (1)
v2.assign_sub(1)
v1, v2

(,

構建階段：建立乙個「計算圖」，通過圖的模式來定義資料與操作的執行步驟

執行階段：建立乙個會話，使用會話物件來實現計算圖的執行

#乙個簡單計算圖

node1 = tf . constant(
3.0, tf . float32, name=
" node1"
)node2 = tf . constant(
4.0, tf . float32 , name=
" node2"
)node3 = tf . add(node1, node2 )
print
(node3)

tensor(「add:0」, shape=(), dtype=float32)

tensorflow 2中執行或者開發tensorflow 1.x**，可以做如下處理:

匯入tensorflow時使用import tensorflow.compat.v1 as tf代替import tensorflow as tf;

執行tf.disable_ eager _execution()禁用tensorflow 2預設的即時執行模式。

#在tensorflow 2下執行tensorflow 1. x版本**

import tensorf low. compat. v1 as tf
tf. disable_ eager_ execution(
)# 改為圖執行模式執行
#定義了乙個簡單的「計算圖
nodel = tf. constant(
3.0, tf. float32, name=
" node1"
)node2 = tf. constant(
4.0, tf. float32, name=
" node2"
)node3 = tf. add (node1, node2)
print
(node3)

tensor(「add:0」，shape=()， dtype=float32)

sess = tf. session(

)#建立對話並顯示執行結果（分配資源）
print
("執行sess. run (node1)的結果:"，sess. run (node1)
)print
("執行sess. run (node2)的結果:"，sess. run (node2)
)print
("執行sess. run (node3)的結果:"，sess. run (node3)
)sess. close(
)#關閉session 

執行sess. run (node1)的結果: 3.0

執行sess. run (node2)的結果: 4.0

執行sess. run (node3)的結果: 7.0

tensorflow2 0視訊記憶體設定

遇到乙個問題 新買顯示卡視訊記憶體8g但是tensorflow執行的時候介面顯示只有約6.3g的視訊記憶體可用，如下圖 即限制了我的視訊記憶體，具體原因為什麼我也不知道，但原來的視訊記憶體小一些的顯示卡就沒有這個問題。目前的解決辦法是 官方文件解決 然後對應的中文部落格 總結一下，就是下面的兩個辦法...

Tensorflow2 0 啟用函式

常用啟用函式及對應特點 神經網路結構的輸出為所有輸入的加權和，這導致整個神經網路是乙個線性模型。而線性模型不能解決異或問題，且面對多分類問題，也顯得束手無策。所以為了解決非線性的分類或回歸問題，啟用函式必須是非線性函式。神經網路中啟用函式的主要作用是提供網路的非線性建模能力。這是因為反向傳播演算法就...

初步了解TensorFlow2 0

為什麼要學習tensorflow？深度學習能夠更好地抽取資料中的規律，從而給公司帶來更大的價值 tensorflow是強大且靈活的開源框架 使用廣泛 2.0更加強大 易用 成熟 tensorflow是什麼？是google的開源軟體庫 採用資料流圖，用於數值計算 支援多平台 gpu cpu 移動裝置 ...