TensorFlow 学习（一）基本介绍

主要应用于：图像识别、聊天对话系统、自然语言处理等。

机器学习：监督学习、无监督学习。算法：分类、回归。线性等

深度学习：神经网络，卷积神经网络（主要图像），循环神经网络（主要自然语言处理）等

TensorFlow 是深度学习框架，其他的比如 caffe 、Pytorch等。

Google brain计划的产物。应用于 AlphaGo，Gmail，等1000多个产品。

于 2015年11月开源，机构师Jeff Dean。领导实现。

特点

运行速度：数据量大：特征多图片文本处理。

算法：设计本身比较复杂。

计算的时候，有时需要等待很长时间去优化，几个小时或者几天。

下例列出部分的常用的TensorFlow类型：

标量运算

note： tf.divide 完全兼容python3 ， tf.div 则兼容python2,

向量运算

类型	描述
tf.concat(valus, axis, name='concat')	沿着一阶张量（即向量）连接
tf.slice(input_, begin, size, name=None)	提取部分张量
tf.split(value, num_or_size_splits, axis=0, num=0, name='split')	分解张量
tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=None)	创建一个常数张量
tf.rank(input, name=None)	返回张量的阶数
tf.shape(input, name=None, out_type = tf.int32)	返回张量的形状
tf.random_shuffle(value, seed=None, name=None)	随机打乱一个张量

矩阵运算

类型	描述
tf.matmul(a, b, transpose_a=False, transpose_b=False, adjoint_a=False, adjoint_b=False, a_is_sparse=False, b_is_sparse=False, name=None )	矩阵a乘以矩阵b
tf.matrix_transpose( a, name = 'matrix_transpose', conjugate=False, )	矩阵转置
tf.matrix_solve_ls( matrix, rhs, l2_regularizer=0.0, fast=True, name=None )	解一个或多个线性最小二乘问题

带状态的运算

类型

描述

tf.Variable

变量在 run() 的调用之间

维护图中的状态，

通过构造类变量的实例，

向图中添加一个变量

tf.assign(
ref,
value,
validate_shape=None,
use_locking=None,
name=None
)

通过指定‘value’ 更新 ‘ref’ 张量

神经网络组件

类型	描述
tf.nn.softmax( logits, axis=None, name=None, dim=None )	计算softmax激活
tf.nn.sigmoid( x, name=None )	计算sigmoid函数
tf.nn.relu( features, name=None )	计算修正线性
tf.nn.conv2d( input, filter, strides, padding, use_cudnn_on_gpu=True, data_format='NHWC', dilations=[1, 1, 1, 1], name=None )	计算 2-D 卷积层 4-D input 和 filter 张量
tf.MaxPooling2D	2D输入的最大池层

tf.train 存储、恢复

类型

描述

save(

sess,
save_path,
global_step=None,
latest_filename=None,
meta_graph_suffix='meta',
write_meta_graph=True,
write_state=True,
strip_default_attrs=False

)

保存

restore(
sess,
save_path
)

恢复

队列及同步运算

控制流

类型	描述
tf.summary.merge( inputs, collections=None, name=None )	合并操作
tf.summary.merge_all( key=tf.GraphKeys.SUMMARIES, scope=None, name=None )	获取graph的所有监测操作
tf.summary.scalar( name, tensor, collections=None, family=None )	记录标量

TensorFlow 学习（一） 基本介绍