Tensorflow 简单数据流图程序

简介: Data Science Workshop Dev - Tensorflow - 2.X - 简单数据流图程序

环境信息

Data Science Workshop Dev

简单数据流图程序

tf-tensor-simple-1.png

import tensorflow as tf
tf.__version__

'2.4.0'
tf.compat.v1.disable_eager_execution()
# TensorFlow程序 正反推 数据流图
# 输入
input_a = tf.constant(2.0,name="input_a")
input_b = tf.constant(4.0,name="input_b")

# 操作
node_mul = tf.multiply(input_a,input_b,name="mul_a_b")
node_add = tf.add(input_a,input_b,name="add_a_b")

node_add_output = tf.add(node_mul,node_add,name="node_add_output")
input_a,input_b,node_add,node_mul,node_add_output

(<tf.Tensor 'input_a:0' shape=() dtype=float32>,
 <tf.Tensor 'input_b:0' shape=() dtype=float32>,
 <tf.Tensor 'add_a_b:0' shape=() dtype=float32>,
 <tf.Tensor 'mul_a_b:0' shape=() dtype=float32>,
 <tf.Tensor 'node_add_output:0' shape=() dtype=float32>)
with tf.compat.v1.Session() as sess:
    # (2.0*4.0)+(2.0+4.0)
    print(sess.run(node_add_output))

14.0

相关链接

备注

工匠精神,精益求精,踏实学习,再接再厉 O(∩_∩)O
欢迎各位同学一起来交流学习心得!

目录
相关文章
|
3月前
|
TensorFlow 算法框架/工具 Python
【Mac 系统】解决VSCode用Conda成功安装TensorFlow但程序报错显示红色波浪线Unable to import ‘tensorflow‘ pylint(import-error)
本文解决在Mac系统上使用VSCode时遇到的TensorFlow无法导入问题,原因是Python解析器未正确设置为Conda环境下的版本。通过在VSCode左下角选择正确的Python解析器,即可解决import TensorFlow时报错和显示红色波浪线的问题。
115 9
|
API 算法框架/工具 Python
TensorFlow固化模型+打包程序+web API
固化Tensorflow模型,使用flask搭建简易web API,打包python代码
6540 0
强化学习笔记2-Python/OpenAI/TensorFlow/ROS-程序指令
强化学习笔记2-Python/OpenAI/TensorFlow/ROS-程序指令TensorFlowTensorFlow是Google的一个开源软件库,广泛用于数值计算。它使用可在许多不同平台上共享和执行的数据流图。
1330 0
|
异构计算 算法框架/工具 TensorFlow
|
TensorFlow 算法框架/工具
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
解锁Python数据分析新技能,TensorFlow&PyTorch双引擎驱动深度学习实战盛宴
在数据驱动时代,Python凭借简洁的语法和强大的库支持,成为数据分析与机器学习的首选语言。Pandas和NumPy是Python数据分析的基础,前者提供高效的数据处理工具,后者则支持科学计算。TensorFlow与PyTorch作为深度学习领域的两大框架,助力数据科学家构建复杂神经网络,挖掘数据深层价值。通过Python打下的坚实基础,结合TensorFlow和PyTorch的强大功能,我们能在数据科学领域探索无限可能,解决复杂问题并推动科研进步。
54 0
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
57 0