tensorflow的低階api要使用張量(tensor)、圖(graph)、會話(session)等來進行程式設計。雖然從一定程度上來看使用低階的api非常的繁重，但是它能夠幫助我們更好的理解tensorflow的，更加靈活的控制訓練的過程。程式的構建分為兩個步驟，第乙個步驟是圖的構建，第二個步驟是會話的執行。
tensorflow中張量和變數
tensorflow中圖包含一系列的節點還有邊。這裡的節點是各種指令(op)，它負責進行張量的計算，邊表示的是指令產生的結果，為張量。構建好一張圖以後開始執行，圖的結構不變，裡面的資料不斷的流動和更新。其中更新的資料是那些變數。雖然變數屬於張量的一種，但是它們還是有很大的不同，可以理解為，張量的值是臨時產生的，進行資料運算的時候使用的值，比如在深度學習當中的讀入的資料以及計算的結果。而變數的值是我們用來更新的引數，比如w和b等引數。
求解線性模型的引數
import在session之前都是對於圖的構建，session裡面是進行的圖的執行。tensorflow as tf
import
numpy as np
#構建一些資料
x_true = np.linspace(-1, 1, 100).astype(np.float32)
y_true = 3*x_true + 1
#定義w和b變數
weights = tf.variable(tf.random_uniform([1], -1.0, 1.0), name='
weights')
biases = tf.variable(tf.zeros([1]), name='
biases')
#計算損失
y_pred = weights * x_true +biases
loss = tf.reduce_mean(tf.square(y_pred - y_true), name='
loss')
#定義優化
optimizer = tf.train.gradientdescentoptimizer(0.1)
train = optimizer.minimize(loss, name='
train')
init =tf.global_variables_initializer()
with tf.session() as sess:
sess.run(init)
for i in range(100):
sess.run(train)
if i % 10 ==0:
print('
weights
', sess.run(weights), '
biases
', sess.run(biases), '
loss
', sess.run(loss))
使用tensorboard看一下這個圖的結構：
jeecms 配置可以低級別使用者流程
使用管理員admin登入後台，進入使用者 管理員 本站 新增，填寫使用者名稱 密碼等資訊，如下圖 需要注意幾個許可權控制的問題 1，等級，值越大等級越高，等級高的管理員可以審核等級低的管理員，比如說 admin等級為8，我們這兒只需要設定為7或者更小的值，就可以讓他被admin審核。如果也設定成8，...
TensorFlow設定日誌級別的幾種方式
tensorflow中的log共有info warn error fatal 4種級別。有以下幾種設定方式。可以通過環境變數tf cpp min log level進行設定，tf cpp min log level的不同值的含義分別如下 level level for humans level de...
TensorFlow設定日誌級別的幾種方式小結
tensorflow中的log共有info warn error fatal 4種級別。有以下幾種設定方式。1.通過設定環境變數控制log級別 可以通過環境變數tf cpp min log level進行設定，tf cpp min log level的不同值的含義分別如下 level level f...