深度学习--TensorFlow框架使用

一、TF数据流图

1.案例:TensorFlow 实现一个加法运算

复制代码
import tensorflow as tf
def tensorflow_demo():
    """
    TensorFlow的基本构架
    :return;
    """
    #原生python加法运算
    a=2
    b=3
    c=a+b
    printf("普通加法运算的结果:\n",c)
    
    #TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t+b_t
    printf("TensorFlow加法运算的结果:\n",c_t)

    #开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n",c_t_value)

    return None
    
if name =="__main__":
    #代码1:TensorFlow的基本结构
    tensorflow_demo()

2.TensorFlow结构分析

一个构件图阶段

流程图:定义数据(张量Tensor)和操作(节点Op)

一个执行图阶段

调用各方资源,将定义好的数据和操作运行起来

2.1数据流图介绍

TensorFlow

Tensor - 张量 - 数据

Flow - 流动

若不想要显示警告日志,增加代码

复制代码
import os 
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
2.2图与TensorBoard
2.2.1什么是图结构

图结构:

数据(Tensor)+操作(Operation)

2.2.2图相关操作

1 默认图

查看默认图的方法

1)调用方法

用tf.get_default_graph()

  1. 查看属性

.grapg

复制代码
def graph_demo():
    """
    图的演示
    :return;
    """
    #TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t+b_t
    printf("TensorFlow加法运算的结果:\n",c_t)

    #查看默认图
    #方法一:调用方法
    default_g = tf.get_default_graph()
    print("default_g:\n",default_g)

    #方法二:查看属性
    print("a_t的图属性:\n",a_t.graph)
    print("c_t的图属性:\n",c_t_value)
    print("sess的图属性:\n",sess.graph)
    #开启会话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:\n",c_t_value)
    return None
if name =="__main__":
    #代码1:TensorFlow的基本结构
    #tensorflow_demo()
    #代码2:图的演示
    graph_demo()

2 创建图

new_g = tf.Graph()

with new_g.as_default();定义数据和操作

复制代码
#自定义图
new_g = tf.Graph()
#在自己的图中定义数据和操作
with new_g.as_default():
    a_new = tf.constant(20)
    b_new = tf.constant(30)
    c_new = a_new + b_new
    print("c_new"\n",c_new)
return None

#开启会话
with tf.Session() as sess:
    c_t_value = sess.run(c_t)
    #试图运行自定义图中的数据、操作
    #c_new_value = sess.run((c_new))
    #print("c_new_value:\n",c_new_value)
    print("c_t_value:\n",c_t_value)
    print("sess的图属性:\n"sess.graph)

#开启new_g的会话
with tf.Session(graph=new_g) as new_sess:
    c_new_value = sess.run((c_new))
    print("c_new_value:\n",c_new_value)
    print("new_sess的图属性:\n"new_sess.graph)

return None
相关推荐
罗西的思考3 小时前
【轻量化复现大模型 / KIMI K3】训练模块梳理 & Muon P2P 优化器
人工智能·深度学习·机器学习
伞伞悦读5 小时前
【第90期】KNN分类回归流水线与K值对照的实验与排查
大数据·人工智能·python·深度学习·机器学习
会飞锦鲤6 小时前
基于 RT-DETR 的 PCB 缺陷检测
深度学习·目标检测·计算机视觉·pyqt5·rt-detr·工业质检·pcb缺陷检测
高洁011 天前
世界模型的因果内核:从预测表象到理解机制
人工智能·python·深度学习·transformer·迁移学习
算法小强1 天前
TensorFlow batch_normalization
tensorflow
算法小强1 天前
TensorFlow bn 变量复用
tensorflow
Pniubi1 天前
Agent中的Neo4j怎么用的【图层记忆的总体设计】
neo4j
意念回复1 天前
从 RNN 到 GQA:自注意力与多头注意力机制全解析
人工智能·rnn·深度学习
哈尔滨张谦蛋2 天前
兰州大学 · 甘肃省可穿戴装备重点实验室 · 2027年博士招生
人工智能·深度学习
chh5633 天前
从 BERT 到大模型:让模型从“会接龙”到“会回答
人工智能·深度学习·bert