TensorFlow哲学

separates definition of computations from their execution

对定义计算，计算的执行，做了分离。

人工智能，目前尤其火热，那么深度学习无疑是最火热的，包括，图像处理，自然语言处理，那么最好的框架是谁？

Tensorflow 已经是目前最好的深度学习框架，甚至没有之一。如何入门，请看本文。

01

—

Tensor是什么？

Tensor是一个 n 维数组：

• 0-d tensor: scalar （标量）
• 1-d tensor: vector （向量）
• 2-d tensor: matrix（矩阵）
• 等等

02

—

数据流图

以上就是数据流图。

下面从最简单的图开始：

import tensorflow as tf

a = tf.add(3, 5)

通过TensorBoard进行可视化：

为什么是 x, y ?

TF 自动地命名节点，当我们没有显示地指定节点名称时，

x = 3

y = 5

接下来，我们打印 a，看看发生什么：

print (a)

Tensor(“Add:0”, shape=(), dtype=int32)

图graph只是定义了操作operations , 如何得到a的值？

03

—

执行环境：Session

创建一个Session，并在这个Session中执行上面的图，抓取到 a 的值。

创建sess，并在当前的sess中执行图：

with tf.Session() as sess:

print(sess.run(a))

Session对象，封装了TF的执行环境。大家如果开发过多线程，分布式软件的话，对于Session的理解可能更容易些，Session尤其对于高并发环境，并行计算显得更重要。

记住

图graph只是定义了操作operations，但是操作operations只能在session里面执行，但是graph和session是独立创建的。

04

—

Tensorboard入门

以windows下的使用Tensorboard为例，如果在Linux系统下，请在个别地方做出修改。

首先，必须在终端启动tensorboard，如果采用anaconda安装地话，在目录Anaconda3Scripts下有个启动项: tensorboard.exe，这就是tensorboard的服务端。在cmd窗口，cd 到这个目录。

然后，编写tensorboard，代码：

import tensorflow as tf

with tf.name_scope(‘input1′):

input1 = tf.constant(3.0,name=’input1’)

with tf.name_scope(‘input2′):

input2 = tf.constant(5.0,name=’input2′)

output = tf.add(input1,input2,name=’add’)

with tf.Session() as sess:

output = sess.run(output)

graph = tf.get_default_graph()

#将日志文件写入到目录../log/下

writer = tf.summary.FileWriter(‘log’,graph)

writer.close()

这样在log文件夹下，增加了一个event文件，

再在终端，输入 tensorboard.exe –logdir = 刚在生成的log文件夹的绝对路径，回车，这样服务端就启动了，

接下来，启动客户端，即浏览器，输入localhost:6006，端口是6006，选中graphs，得到如下的可视化图：

斯坦福大学：Tensorflow最通俗易懂的入门教程「强烈推荐」 | 点击链接查看 → http://t.zijieimg.com/XTEMf/

转载请注明：徐自远的乱七八糟小站 » 斯坦福大学：Tensorflow最通俗易懂的入门教程「强烈推荐」