这篇文章将为大家详细讲解有关如何进行TensorFlow概览分析，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。

怀安ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为创新互联的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：18982081108（备注：SSL证书合作）期待与您的合作！

前言

由于公司产品的变化，我需要编写一些TensorFlow的代码来测试我们产品的深度学习模块。 最近也在学习TensorFlow。 所以先暂停卷积神经网络部分的更新。开始写一些tensorflow的东西。 话说白话了这么久的理论~~ 终于可以跟大家上点代码了。 对于tensorflow，下面我都简称tf

环境搭建

这个我没细研究，直接docker hub上找到TensorFlow的镜像下载，然后启动。 或者大家也可以搭建一个集成了TensorFlow的notebook

什么是tensorflow

一个2分类单隐藏层的神经网络

先上代码。

import tensorflow as tf

x = tf.constant([[0.7,0.9]])
y_ = tf.constant([[1.0]])
w1 = tf.Variable(tf.random_normal([2,3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3,1], stddev=1, seed=1))
b1 = tf.Variable(tf.zeros([3]))
b2 = tf.Variable(tf.zeros([1]))

a = tf.nn.relu(tf.matmul(x,w1) + b1)
y = tf.matmul(a, w2) + b2

cost = tf.nn.sigmoid_cross_entropy_with_logits(logits=y, labels=y_, name=None)
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

with tf.Session() as sess: 
    init = tf.initialize_all_variables()  
    sess.run(init)
    for i in range(100):  
        sess.run(train_op) 

    print(sess.run(w1))
    print(sess.run(w2))

这是模拟一个最简单的神经网络的代码。 只有一条样本两个特征维度(只是拿来做demo的)， 隐藏层使用relu作为激活函数。有3个神经元，整个神经网络的目的是做二分类，所以输出层的激活函数是sigmoid，损失函数(成本函数)也是sigmoid的损失函数。 前向传播算法是使用矩阵乘法实现。 反向传播是用tf提供的标准的梯度下降，学习率为0.01，训练轮数为100. 没有加正则。 我们查看经过训练后隐藏层和输出层的权重信息如下：

为什么用tensorflow

如果有同学用过类似Keras这种高度封装API的神经网络库的话，就会发现tf的代码简直太复杂太繁琐了。 上面只是最简单的神经网络，没加正则没用mini batch甚至样本只有一个，连实现前向传播都得自己写代码。 实际应用的话代码会更复杂很多。 但是使用Keras可能就是几行代码的事，学习难度小很多。 那我们为什么还要使用tf呢？ 我知道的好处是tf灵活，支持分布式执行，比如tf on k8s现在很火。是现在做深度学习平台的不二选择。 据我所知现在各大厂的深度学习平台都是用tf弄出来的。 当然对于我来说，学习tf的目的只有一个，就是测试我们自己的深度学习平台。

tensorflow基础概念

tensorflow = tensor + flow。 其中tensor是tf的数据结构，flow代表着tf的计算框架----计算图

tensor，又名张量。在tf中所有的数据都是以张量的形式表现的。从功能上来看，张量是一个多维数组。比如在我们上面的demo中，我们用来模拟样本数据的x 和对应的label y_都是tensor。但tensor在tf里的实现并不是直接采用数组的或其他任何已知的数据结构。 如果说类似的话，tensor的机制有点像spark中RDD的惰性计算， 在spark中我们的计算流是惰性的，在代码执行每一个transform的时候并不会真正的执行，而是把计算过程记录下来，等到执行到action的时候才会真正的执行。 这是惰性计算。 tensor以及tensor的计算表现也类似。 当我们执行以下代码时，并不会得到真正的结果，而是会得到一个结果的引用。

我们在tf声明了两个常量， a和b。 他们是tf中的tensor(张量)。 当我们执行了一个加法操作的时候，打印出的结果并不是他们的计算结果。 而是一个tensor的结果。其中打印的第一个字段：add_35:0 表示这个节点add_35, 0 是说c这个张量是节点add_35的第一个输出。 打印的第二个字段是shape，也就是维度。 说明这个tensor是几乘几的矩阵。 我们的例子中是shape=(1,2) 表明这是一个1*2的矩阵。 第三个字段是tensor的类型，我们这里是float32类型。

如果用画图的方式表示出来，大概就是下面这样的

上图中的每一个节点都是一个运算，而每一条边代表了计算之间的依赖关系，一个运算的输入依赖于另一个运算的输出。 这就是tf的计算图，也就是tensorflow中flow代表的意思。 在tf遇到真正需要执行的那段代码之前， 所有的计算都不会触发，取而代之的是tf在内部维护一个计算图。 在遇到需要执行的时候， 按照计算图依次进行计算。

计算图的执行节点--会话

刚才我们讲了tf是如何组织数据和计算图的。 它不会真正的执行，而是等待某个时机的到来，按照计算图依次进行计算。 那么这个时机就是会话。 如下：

可以看到上图中我们使用python的with as大法管理tf 的会话声明周期。 在里面我们并没有去管a和b，相反我们只用了一行代码print(session.run(c)) 就打印出了计算结果。 正如我之前所说，tf会维护一个计算图。 当我们真正的去计算c的时候。它会按照计算图从头计算一遍。

关于如何进行TensorFlow概览分析就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。

新闻名称：如何进行TensorFlow概览分析
标题URL：http://ybzwz.com/article/pggeph.html