Tensorflow是什么？針對這個問題，這篇文章給出了相對應(yīng)的分析和解答，希望能幫助更多想解決這個問題的朋友找到更加簡單易行的辦法。

成都創(chuàng)新互聯(lián)于2013年開始，先為蕭山等服務(wù)建站，蕭山等地企業(yè)，進行企業(yè)商務(wù)咨詢服務(wù)。為蕭山企業(yè)網(wǎng)站制作PC+手機+微官網(wǎng)三網(wǎng)同步一站式服務(wù)解決您的所有建站問題。

說明：本文實例使用Python版本為3.5.6，Tensorflow版本為2.0

介紹

Tensorflow是Google推出的機器學(xué)習(xí)開源神器，對Python有著良好的語言支持，支持CPU，GPU和Google TPU等硬件，并且已經(jīng)擁有了各種各樣的模型和算法。目前，Tensorflow已被廣泛應(yīng)用于文本處理，語音識別和圖像識別等多項機器學(xué)習(xí)和深度學(xué)習(xí)領(lǐng)域。

基礎(chǔ)框架

分為三層：應(yīng)用層、接口層和核心層

應(yīng)用層

提供了機器學(xué)習(xí)相關(guān)的訓(xùn)練庫、預(yù)測庫和針對Python、C++和Java等變成語言的編程環(huán)境，類似于web系統(tǒng)的前端，主要實現(xiàn)了對計算圖的構(gòu)造。

接口層

對Tensorflow功能模塊的封裝，便于其它語言平臺的調(diào)用。

核心層

最重要的部分，包括設(shè)備層、網(wǎng)絡(luò)層、數(shù)據(jù)操作層和圖計算層，執(zhí)行應(yīng)用層的計算。

1.設(shè)備層

包括Tensorflow在不同硬件設(shè)備上的實現(xiàn)，主要支持CPU、GPU和Mobile等設(shè)備，在不同硬件設(shè)備上實現(xiàn)計算命令的轉(zhuǎn)換，給上層提供統(tǒng)一的接口，實現(xiàn)程序的跨平臺功能。

2.網(wǎng)絡(luò)層

網(wǎng)絡(luò)層主要包括RPC和RDMA通信協(xié)議，實現(xiàn)不同設(shè)備之間的數(shù)據(jù)傳輸和更新，這些協(xié)議都會在分布式計算中用到。

3.數(shù)據(jù)操作層

以tensor為處理對象，實現(xiàn)tensor的各種操作和計算。

4.圖計算層

包括分布式計算圖和本地計算圖的實現(xiàn)，實現(xiàn)圖的創(chuàng)建、編譯、優(yōu)化和執(zhí)行等。

設(shè)計理念

可以將Tensorflow理解為一張計算圖中“張量的流動”，其中，Tensor（張量）代表了計算圖中的邊，F(xiàn)low(流動)代表了計算圖中節(jié)點所做的操作而形成的數(shù)據(jù)流動。

其設(shè)計理念是以數(shù)據(jù)流為核心，當構(gòu)建相應(yīng)的機器學(xué)習(xí)模型后，使用訓(xùn)練數(shù)據(jù)在模型中進行數(shù)據(jù)流動，同時將結(jié)果以反向傳播的方式反饋給模型中的參數(shù)，以進行調(diào)參，使用調(diào)整后的參數(shù)對訓(xùn)練數(shù)據(jù)再次進行迭代計算。

編程特點

有兩個編程特點：

圖的定義和圖的運行完全分開

在tensorflow中，需要預(yù)先定義各種變量，建立相關(guān)的數(shù)據(jù)流圖，在數(shù)據(jù)流圖中創(chuàng)建各種變量之間的計算關(guān)系，完成圖的定義，需要把運算的輸入數(shù)據(jù)放進去后，才會形成輸出值。

圖的計算在會話中執(zhí)行

tensorflow的相關(guān)計算在圖中進行定義，而圖的具體運行壞境在會話(session)中，開啟會話后，才能開始計算，關(guān)閉會話就不能再進行計算了。

舉個例子：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
a = 3
b = 4
c = 5
y = tf.add(a*b, c)
print(y)
a = tf.constant(3, tf.int32)
b = tf.constant(4, tf.int32)
c = tf.constant(5, tf.int32)
y = tf.add(a*b, c)
print(y)
session = tf.compat.v1.Session()
print(session.run(y))
session.close()

可以看出，在圖創(chuàng)建后，并在會話中執(zhí)行數(shù)據(jù)計算，最終輸出結(jié)果。

設(shè)計的好處就是：學(xué)習(xí)的過程中，消耗最多的是對數(shù)據(jù)的訓(xùn)練，這樣設(shè)計的話，當進行計算時，圖已經(jīng)確定，計算就只剩下一個不斷迭代的過程。

基本概念

Tensor

張量，是tensorflow中最主要的數(shù)據(jù)結(jié)構(gòu)，張量用于在計算圖中進行數(shù)據(jù)傳遞，創(chuàng)建了張量后，需要將其賦值給一個變量或占位符，之后才會將該張量添加到計算圖中。

session

會話，是Tensorflow中計算圖的具體執(zhí)行者，與圖進行實際的交互。一個會話中可以有多個圖，會話的主要目的是將訓(xùn)練數(shù)據(jù)添加到圖中進行計算，也可以修改圖的結(jié)構(gòu)。

調(diào)用模式推薦使用with語句：

with session:
    session.run()
Variable

變量，表示圖中的各個計算參數(shù)，通過調(diào)整這些變量的狀態(tài)來優(yōu)化機器學(xué)習(xí)算法。創(chuàng)建變量應(yīng)使用tf.Variable()，通過輸入一個張量，返回一個變量，變量聲明后需進行初始化才能使用。

舉例說明：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
tensor = tf.ones([1, 3])
test_var = tf.Variable(tensor)
# 初始化變量
init_op = tf.compat.v1.global_variables_initializer()
session = tf.compat.v1.Session()
with session:
    print("tensor is ", session.run(tensor))
    # print("test_var is ", session.run(test_var))
    session.run(init_op)
    print("after init, test_var is", session.run(test_var))

Placeholder

占位符，用于表示輸入輸出數(shù)據(jù)的格式，聲明了數(shù)據(jù)位置，允許傳入指定類型和形狀的數(shù)據(jù)，通過會話中的feed_dict參數(shù)獲取數(shù)據(jù)，在計算圖運行時使用獲取的數(shù)據(jù)進行計算，計算完畢后獲取的數(shù)據(jù)就會消失。

舉例說明：

x = tf.compat.v1.placeholder(tf.int32)
y = tf.compat.v1.placeholder(tf.int32)
z = tf.add(x, y)
session = tf.compat.v1.Session()
with session:
    print(session.run([z], feed_dict={x: [1, 2], y: [2, 3]}))

Operation

操作，是圖中的節(jié)點，輸入輸出都是Tensor，作用是完成各種操作，包括：

數(shù)學(xué)運算：add, sub, mul, div, exp ...

數(shù)組運算：concat, slice, split, rank ...

矩陣運算：matmul, matrixinverse ...

神經(jīng)網(wǎng)絡(luò)構(gòu)建：softmax, sigmoid, relu ...

檢查點：save, restore ...

隊列和同步：enqueue, dequeue, mutexacquire, mutexrelease ...

張量控制：merge, switch, enter, leave ...

Queue

隊列，圖中有狀態(tài)的節(jié)點。包含入列（endqueue）和出列（dequeue）兩個操作，入列返回計算圖中的一個操作節(jié)點，出列返回一個tensor值。

其中，隊列有兩種：

1. FIFOQueue

按入列順序出列的隊列，在需要讀入的訓(xùn)練樣本有序時使用。舉個例子：

fifo_queue = tf.compat.v1.FIFOQueue(10, 'int32')
init = fifo_queue.enqueue_many(([1, 2, 3, 4, 5, 6], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(fifo_queue.size())
    for item in range(queue_size):
        print('fifo_queue', session.run(fifo_queue.dequeue()))

2. RandomShuffleQueue

以隨機順序出列的隊列，讀入的訓(xùn)練樣本無序時使用。舉個例子：

rs_queue = tf.compat.v1.RandomShuffleQueue(capacity=5, min_after_dequeue=0, dtypes='int32')
init = rs_queue.enqueue_many(([1, 2, 3, 4, 5], ))
with tf.compat.v1.Session() as session:
    session.run(init)
    queue_size = session.run(rs_queue.size())
    for i in range(queue_size):
        print('rs_queue', session.run(rs_queue.dequeue()))

關(guān)于Tensorflow的介紹就分享到這里了，希望以上內(nèi)容可以對大家有一定的幫助，可以學(xué)到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。

本文標題：Tensorflow是什么-創(chuàng)新互聯(lián)
文章路徑：http://chinadenli.net/article12/cdgegc.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供手機網(wǎng)站建設(shè)、自適應(yīng)網(wǎng)站、品牌網(wǎng)站設(shè)計、服務(wù)器托管、網(wǎng)站設(shè)計公司、網(wǎng)站改版

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)