黑马程序员3天玩转Python深度学习tensorflow（第1天）（下）-阿里云开发者社区

2.4 张量

学习目标：

知道常见的TensorFlow创建张量

知道常见的张量数学运算操作

说明numpy的数组与张量相同性

说明张量的两种形状改变特点

应用set_shape和tf.reshape山西爱你张量形状的修改

应用tf.matmul实现张量的矩阵运算修改

应用tf.cast实现张量的类型

2.4.1 张量（Tensor）

TensorFlow的张量就是一个N维数组，类型为tf.Tensor。

张量：在计算机当中如何存储？N维数组

标量：一个数字----0阶张量

向量：一维数组-----1阶张量

矩阵：二维数组------2阶张量

type：数据类型

shape：形状（阶）

1 张量的类型

2 张量的阶

未指定类型时，默认类型：

整型：tf.int32

浮点型：tf.float32

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def tensor_demo():
    """
    张量的演示
    :return:
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1,2,3,4])  # 未指定类型，默认类型
    linear_squares = tf.constant([[4],[9],[16],[25]],dtype=tf.int32)
    print("tensor1:", tensor1)
    print("tensor2:", tensor2)
    print("linear_square:", linear_squares)
    return None
if __name__ == "__main__":
    tensor_demo()

tensor1: Tensor("Const:0", shape=(), dtype=float32)
tensor2: Tensor("Const_1:0", shape=(4,), dtype=int32)
linear_square: Tensor("Const_2:0", shape=(4, 1), dtype=int32)

2.4.2 创建张量的指令

固定值张量

1 创建多个0

tf.zeros(shape, dtype=tf.float32, name=None)

2 创建多个1

tf.ones(shape, dtype=tf.float32, name=None)

3 创建常数张量

tf.constant(value, dtype=tf.float32, name='Const')

用.eval可以查看值

2.4.3 张量的变换

1 类型改变

tf.string_to_number(string_tensor, out_type=None, name=None)

tf.to_double(x, name=‘ToDouble’)

tf.to_float(x, name=‘ToFloat’)

tf.to_bfloat16(x, name=“ToBFloat16”)

tf.to_int32(x, name=‘Tolnt32’)

tf.to_int64(x, name=‘Tolnt64’)

tf.cast(x, dtype, name=None)，通用类型转换

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def tensor_demo():
    """
    张量的演示
    :return:
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1,2,3,4])  # 未指定类型，默认类型
    linear_squares = tf.constant([[4],[9],[16],[25]],dtype=tf.int32)
    print("tensor1:", tensor1)
    print("tensor2:", tensor2)
    print("linear_square:", linear_squares)
    print("----------------")
    # 张量类型的修改：不会改变原始的Tensor
    l_cast = tf.cast(linear_squares, dtype=tf.float32)
    print("linear_square_after:", linear_squares)
    print('l_cast:', l_cast)
    return None
if __name__ == "__main__":
    tensor_demo()

tensor1: Tensor("Const:0", shape=(), dtype=float32)
tensor2: Tensor("Const_1:0", shape=(4,), dtype=int32)
linear_square: Tensor("Const_2:0", shape=(4, 1), dtype=int32)
----------------
linear_square_after: Tensor("Const_2:0", shape=(4, 1), dtype=int32)
l_cast: Tensor("Cast:0", shape=(4, 1), dtype=float32)

2 形状改变

tensorflow的张量具有两种形状变换，动态形状和静态形状

tf.reshape：改变动态形状

tf.set_shape：改变静态形状

静态形状：初始创建张量时的形状

动态形状：

什么情况下可以改变静态形状：只有在形状还没有完全固定下来的情况下；转换形状的时候，只能一维到一维，二维到二维，而不能跨维度改变形状

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def tensor_demo():
    """
    张量的演示
    :return:
    """
    tensor1 = tf.constant(4.0)
    tensor2 = tf.constant([1,2,3,4])  # 未指定类型，默认类型
    linear_squares = tf.constant([[4],[9],[16],[25]],dtype=tf.int32)
    print("tensor1:", tensor1)
    print("tensor2:", tensor2)
    print("linear_square:", linear_squares)
    print("----------------")
    # 张量类型的修改：不会改变原始的Tensor
    l_cast = tf.cast(linear_squares, dtype=tf.float32)
    print("linear_square_after:", linear_squares)
    print('l_cast:', l_cast)
    print('------------------')
    # 更新、改变静态形状
    # 定义占位符
    a_p = tf.placeholder(dtype=tf.float32, shape=[None, None])  # 形状没有完全固定下来的静态形状
    b_p = tf.placeholder(dtype=tf.float32, shape=[None, 10])
    c_p = tf.placeholder(dtype=tf.float32, shape=[3, 2])
    print("a_p:", a_p)
    print("b_p:", b_p)
    print("c_p:", c_p)
    print("-----------------------")
    # 更新形状未确定的部分
    a_p.set_shape([2,3])
    b_p.set_shape([2,10])
    print("a_p:", a_p)
    print("b_p:", b_p)
    print('-------------')
    # 动态形状修改
    a_p_reshape = tf.reshape(a_p, shape=[2, 3, 1])
    print("a_p:", a_p)
    print("a_p_reshape:", a_p_reshape)
    c_p_reshape = tf.reshape(c_p, shape=[2, 3, 1])  # 必须保持改变前后元素的数量一致
    print("c_p:", c_p)
    print("c_p_reshape:", c_p_reshape)
    return None
if __name__ == "__main__":
    tensor_demo()

tensor1: Tensor("Const:0", shape=(), dtype=float32)
tensor2: Tensor("Const_1:0", shape=(4,), dtype=int32)
linear_square: Tensor("Const_2:0", shape=(4, 1), dtype=int32)
----------------
linear_square_after: Tensor("Const_2:0", shape=(4, 1), dtype=int32)
l_cast: Tensor("Cast:0", shape=(4, 1), dtype=float32)
------------------
a_p: Tensor("Placeholder:0", shape=(?, ?), dtype=float32)
b_p: Tensor("Placeholder_1:0", shape=(?, 10), dtype=float32)
c_p: Tensor("Placeholder_2:0", shape=(3, 2), dtype=float32)
-----------------------
a_p: Tensor("Placeholder:0", shape=(2, 3), dtype=float32)
b_p: Tensor("Placeholder_1:0", shape=(2, 10), dtype=float32)
-------------
a_p: Tensor("Placeholder:0", shape=(2, 3), dtype=float32)
a_p_reshape: Tensor("Reshape:0", shape=(2, 3, 1), dtype=float32)
c_p: Tensor("Placeholder_2:0", shape=(3, 2), dtype=float32)
c_p_reshape: Tensor("Reshape_1:0", shape=(2, 3, 1), dtype=float32)

2.4.4 张量的数学运算

算术运算符

基本数学函数

矩阵运算

reduce操作

序列索引操作

2.5 变量OP

学习目标：

说明变量op的特殊作用

说明变量op的trainable参数的作用

应用global_variables_initializer实现变量op的初始化

变量的特点：

存储持久化

可修改值

可指定被训练

2.5.1 创建变量

tf.Variable(initia_value=None, trainable=True, collections=None, name=None)

initial_value：初始化的值

trainable：是否被训练

collections：新变量将添加到列出的图的集合中collections，默认为[GraphKeys.GLOBAL_VARIABLES]，如果trainable是True变量也被添加到图形集合GraphKeys.TRAINABLE_VARIABLES

变量需要显示初始化，才能运行值

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def variable_demo():
    """
    变量的演示
    :return:
    """
    # 创建变量
    a = tf.Variable(initial_value=50)
    b = tf.Variable(initial_value=40)
    c = tf.add(a, b)
    print("a:", a)
    print("b", b)
    print("c", c)
    print('----------------------')
    # 初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 运行初始化
        sess.run(init)
        a_value, b_value, c_value = sess.run([a,b,c])
        print("a_value:", a_value)
        print("b_value", b_value)
        print("c_value", c_value)
    return None
if __name__ == "__main__":
    variable_demo()

a: <tf.Variable 'Variable:0' shape=() dtype=int32_ref>
b <tf.Variable 'Variable_1:0' shape=() dtype=int32_ref>
c Tensor("Add:0", shape=(), dtype=int32)
----------------------
a_value: 50
b_value 40
c_value 90

2.5.2 使用tf.variable_scope()修改变量的命名空间

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def variable_demo():
    """
    变量的演示
    :return:
    """
    # 创建变量
    with tf.variable_scope("my_scope"):
        a = tf.Variable(initial_value=50)
        b = tf.Variable(initial_value=40)
    with tf.variable_scope("your_scope"):
        c = tf.add(a, b)
    print("a:", a)
    print("b", b)
    print("c", c)
    print('----------------------')
    # 初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 运行初始化
        sess.run(init)
        a_value, b_value, c_value = sess.run([a,b,c])
        print("a_value:", a_value)
        print("b_value", b_value)
        print("c_value", c_value)
    return None
if __name__ == "__main__":
    variable_demo()

a: <tf.Variable 'my_scope/Variable:0' shape=() dtype=int32_ref>
b <tf.Variable 'my_scope/Variable_1:0' shape=() dtype=int32_ref>
c Tensor("your_scope/Add:0", shape=(), dtype=int32)
----------------------
a_value: 50
b_value 40
c_value 90

2.6 高级API

2.6.1 其他基础API

1 tf.app

这个模块相当于为TensorFlow进行的脚本提供一个main函数入口，可以定义脚本运行的flags

2 tf.image

TensorFlow的图像处理操作。主要是一些颜色变换、变形和图像的编码和解码

3 tf.gfile

这个模块提供了一组文件操作函数

4 tf.summary

用来生成TensorBoard可用的统计日志，目前Summary主要提供了4种类型：

audio、image、histogram、scalar

5 tf.python_io

用来读写TFRecords文件

6 tf.train

这个模块提供了一些训练器，与tf.nn结合起来，实现一些网络的优化计算

7 tf.nn

这个模块提供了一些构建神经网络的底层函数。TensorFlow构建网络的核心模块，其中包含了添加各种层的函数，比如添加卷积层、池化层等。

2.6.2 高级API

1 tf.keras

Kears本来是一个独立的深度学习库，tensorflow将其学习过来，增加这部分模块在于快速构建模型

2 tf.layers

高级API，以便高级的概念层来定义一个模型。类似tf.kears

3 tf.contrib

tf.contrib.layers提供够将计算图中的网络层、正则化、摘要操作，是构建计算图的高级操作，但是tf.contrib包含不稳定和实验代码，有可能以后API会改变

4 tf.estimator

一个estimator相当于model + training + evaluate 的合体。在模块中，已经实现了几种简单的分类器和回归其，包括：Baseline，learning 和 DNN。这里的DNN的网络，只是全连接网络，没有提供卷积之类的

2.7 案例：实现线性回归

学习目标：

应用op的name参数实现op的名字修改

应用variable_scope实现图程序作用域的添加

应用scalar或histogram实现张良志的跟踪显示

应用merge_all实现张量值的合并

应用add_summary实现张量值的写入文件

应用tf.train.saver实现TensorFlow的模型保存以及加载

应用tf.app.flags实现命令行参数添加和使用

应用reduce_mean、square实现均方误差计算

应用tf.train.GradientDescentOptimizer实现有梯度下降优化器创建

应用minimize函数优化损失

知道梯度爆炸以及常见解决技巧

2.7.2 案例：实现线性回归的训练

1）构建模型

2）构建损失函数：均方误差

3）优化损失：梯度下降

准备真实数据：

x：特征值，形状：（100,1）

y_true：目标值（100,1）

y_true = 0.8x + 0.7 ，100个样本

假设满足： y =kx + b

流程分析：

（100，1） * （1，1） = （100，1）
y_predict = x * weight(1,1)  + bias(1,1)
1）构建模型
y_predict = tf.matmul(x, weights) + bias
2）构造损失函数
error = tf.reduce_mean(tf.square(y_predict - y_true))
3）优化损失：梯度下降优化器
optimizer = tf.train.GrandientDescentOptimizer(learning_rate=0.01).minimize(error)

运算：

矩阵运算：tf.matmu(x,w)

平方：tf.square(error)

均方：tf.reduce_mean(error)

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def linear_regression():
    """
    实现线性回归
    :return:
    """
    # 1）准备数据
    X = tf.random_normal(shape=[100, 1])  # 形状：100行1列
    y_true = tf.matmul(X, [[0.8]]) + 0.7  # y_true = 0.8x + 0.7
    # 2）构造模型
    # 定义模型参数，用变量
    weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
    bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
    y_predict = tf.matmul(X, weights) + bias
    # 3）构造损失函数
    error = tf.reduce_mean(tf.square(y_predict - y_true))
    # 4）优化损失
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
    # 显式地初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init)
        # 查看初始化模型参数之后的值
        print("训练前模型参数为：权重%f，偏置%f，损失为%f" %
              (weights.eval(), bias.eval(), error.eval()))
        # 开始训练
        for i in range(200):
            sess.run(optimizer)
            print("第%d训练后模型参数为：权重%f，偏置%f，损失为%f" %
              (i+1, weights.eval(), bias.eval(), error.eval()))
    return None
if __name__ == "__main__":
    linear_regression()

...
第195训练后模型参数为：权重0.784588，偏置0.704202，损失为0.000298
第196训练后模型参数为：权重0.784881，偏置0.704130，损失为0.000259
第197训练后模型参数为：权重0.785245，偏置0.704024，损失为0.000256
第198训练后模型参数为：权重0.785542，偏置0.703911，损失为0.000219
第199训练后模型参数为：权重0.785778，偏置0.703855，损失为0.000218
第200训练后模型参数为：权重0.786084，偏置0.703762，损失为0.000211

5 学习率的设置、步数的设置与梯度爆炸

学习率越大，训练

2.7.3 增加其他功能

变量TensorBoard显示

增加命名空间

模型保存于加载

命令行参数设置

1 增加变量显示

目的：在TensorBoard当中观察模型的参数、损失值等变量值的变化

1）创建事件文件

2）收集变量

3）合并变量

4）每次迭代运行合并变量

5）每次迭代将summary事件写入事件文件

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def linear_regression():
    """
    实现线性回归
    :return:
    """
    # 1）准备数据
    X = tf.random_normal(shape=[100, 1])  # 形状：100行1列
    y_true = tf.matmul(X, [[0.8]]) + 0.7  # y_true = 0.8x + 0.7
    # 2）构造模型
    # 定义模型参数，用变量
    weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
    bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]))
    y_predict = tf.matmul(X, weights) + bias
    # 3）构造损失函数
    error = tf.reduce_mean(tf.square(y_predict - y_true))
    # 4）优化损失
    optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
    # 2）收集变量
    tf.summary.scalar("error", error)
    tf.summary.histogram("weights", weights)
    tf.summary.histogram("bias", bias)
    # 3)合并变量
    merged = tf.summary.merge_all()
    # 显式地初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init)
        # 1）创建事件文件
        file_writer = tf.summary.FileWriter('logs', graph=sess.graph)
        # 查看初始化模型参数之后的值
        print("训练前模型参数为：权重%f，偏置%f，损失为%f" %
              (weights.eval(), bias.eval(), error.eval()))
        # 开始训练
        for i in range(100):
            sess.run(optimizer)
            print("第%d训练后模型参数为：权重%f，偏置%f，损失为%f" %
              (i+1, weights.eval(), bias.eval(), error.eval()))
            # 运行合并变量操作
            summary = sess.run(merged)
            # 每次迭代后的变量写入事件
            file_writer.add_summary(summary, i)
    return None
if __name__ == "__main__":
    linear_regression()

2 增加命名空间

使得代码结构更加信息，TensorBoard图结构更加清楚

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def linear_regression():
    """
    实现线性回归
    :return:
    """
    with tf.variable_scope("prepare_data"):
        # 1）准备数据
        X = tf.random_normal(shape=[100, 1], name='feature')  # 形状：100行1列
        y_true = tf.matmul(X, [[0.8]]) + 0.7  # y_true = 0.8x + 0.7
    with tf.variable_scope("create_model"):
        # 2）构造模型
        # 定义模型参数，用变量
        weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Weights")
        bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Bias")
        y_predict = tf.matmul(X, weights) + bias
    with tf.variable_scope("loss_function"):
        # 3）构造损失函数
        error = tf.reduce_mean(tf.square(y_predict - y_true))
    with tf.variable_scope("optimizer"):
        # 4）优化损失
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(error)
    # 2）收集变量
    tf.summary.scalar("error", error)
    tf.summary.histogram("weights", weights)
    tf.summary.histogram("bias", bias)
    # 3)合并变量
    merged = tf.summary.merge_all()
    # 显式地初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init)
        # 1）创建事件文件
        file_writer = tf.summary.FileWriter('logs', graph=sess.graph)
        # 查看初始化模型参数之后的值
        print("训练前模型参数为：权重%f，偏置%f，损失为%f" %
              (weights.eval(), bias.eval(), error.eval()))
        # 开始训练
        for i in range(100):
            sess.run(optimizer)
            print("第%d训练后模型参数为：权重%f，偏置%f，损失为%f" %
              (i+1, weights.eval(), bias.eval(), error.eval()))
            # 运行合并变量操作
            summary = sess.run(merged)
            # 每次迭代后的变量写入事件
            file_writer.add_summary(summary, i)
    return None
if __name__ == "__main__":
    linear_regression()

3 模型的保存与加载

步骤：

1）实例化Saver

2）保存：saver.save(sess, path)

3）加载：saver.restore(sess, path)

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def linear_regression():
    """
    实现线性回归
    :return:
    """
    with tf.variable_scope("prepare_data"):
        # 1）准备数据
        X = tf.random_normal(shape=[100, 1], name='feature')  # 形状：100行1列
        y_true = tf.matmul(X, [[0.8]]) + 0.7  # y_true = 0.8x + 0.7
    with tf.variable_scope("create_model"):
        # 2）构造模型
        # 定义模型参数，用变量
        weights = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Weights")
        bias = tf.Variable(initial_value=tf.random_normal(shape=[1, 1]), name="Bias")
        y_predict = tf.matmul(X, weights) + bias
    with tf.variable_scope("loss_function"):
        # 3）构造损失函数
        error = tf.reduce_mean(tf.square(y_predict - y_true))
    with tf.variable_scope("optimizer"):
        # 4）优化损失
        optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(error)
    # 2）收集变量
    tf.summary.scalar("error", error)
    tf.summary.histogram("weights", weights)
    tf.summary.histogram("bias", bias)
    # 3)合并变量
    merged = tf.summary.merge_all()
    # 创建Saver对象
    saver = tf.train.Saver()
    # 显式地初始化变量
    init = tf.global_variables_initializer()
    # 开启会话
    with tf.Session() as sess:
        # 初始化变量
        sess.run(init)
        # 1）创建事件文件
        file_writer = tf.summary.FileWriter('logs', graph=sess.graph)
        # 查看初始化模型参数之后的值
        print("训练前模型参数为：权重%f，偏置%f，损失为%f" %
              (weights.eval(), bias.eval(), error.eval()))
        # # 开始训练
        # for i in range(100):
        #     sess.run(optimizer)
        #     print("第%d训练后模型参数为：权重%f，偏置%f，损失为%f" %
        #       (i+1, weights.eval(), bias.eval(), error.eval()))
        #
        #     # 运行合并变量操作
        #     summary = sess.run(merged)
        #     # 每次迭代后的变量写入事件
        #     file_writer.add_summary(summary, i)
        #
        #     # 保存模型
        #     if i % 10 == 0:
        #         saver.save(sess, "model/my_Linear.ckpt")
        # 加载模型
        if os.path.exists("model/checkpoint"):
            saver.restore(sess, "model/my_Linear.ckpt")
        print("训练后模型参数为：权重%f，偏置%f，损失为%f" %
              (weights.eval(), bias.eval(), error.eval()))
    return None
if __name__ == "__main__":
    linear_regression()

训练前模型参数为：权重-0.726173，偏置-1.391275，损失为6.139051
训练后模型参数为：权重0.800000，偏置0.700000，损失为0.000000

4 命令行参数设置

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
# 1）定义命令行参数
tf.app.flags.DEFINE_integer("max_step", 100, "训练模型的步数")
tf.app.flags.DEFINE_string("model_dir", "Unknown", "模型保存的路径+模型的名字")
# 2）简化变量名
FLAGS = tf.app.flags.FLAGS
def command_demo():
    """
    命令行参数演示
    :return:
    """
    print("max_step:", FLAGS.max_step)
    print("model_dir:", FLAGS.model_dir)
    return None
if __name__ == "__main__":
    command_demo()

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 去警告
def main(argv):
    print(argv)
    print("code start")
    return None
if __name__ == "__main__":
    tf.app.run()   # 自动运行main函数
    #command_demo()

['D:/programming_software/pycharm/PycharmProjects/deep_learning/day01_deeplearning.py']
code start

总结

黑马程序员3天玩转Python深度学习tensorflow（第1天）（下）

2.4 张量

2.4.1 张量（Tensor）

2.4.2 创建张量的指令

2.4.3 张量的变换

2.4.4 张量的数学运算

2.5 变量OP

2.5.1 创建变量

2.5.2 使用tf.variable_scope()修改变量的命名空间

2.6 高级API

2.6.1 其他基础API

1 tf.app

2 tf.image

3 tf.gfile

4 tf.summary

5 tf.python_io

6 tf.train

7 tf.nn

2.6.2 高级API

1 tf.keras

2 tf.layers

3 tf.contrib

4 tf.estimator

2.7 案例：实现线性回归

2.7.2 案例：实现线性回归的训练

2.7.3 增加其他功能

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

黑马程序员3天玩转Python深度学习tensorflow（第1天）（下）

2.4 张量

2.4.1 张量（Tensor）

2.4.2 创建张量的指令

2.4.3 张量的变换

2.4.4 张量的数学运算

2.5 变量OP

2.5.1 创建变量

2.5.2 使用tf.variable_scope()修改变量的命名空间

2.6 高级API

2.6.1 其他基础API

1 tf.app

2 tf.image

3 tf.gfile

4 tf.summary

5 tf.python_io

6 tf.train

7 tf.nn

2.6.2 高级API

1 tf.keras

2 tf.layers

3 tf.contrib

4 tf.estimator

2.7 案例：实现线性回归

2.7.2 案例：实现线性回归的训练

2.7.3 增加其他功能

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像