深度学习之路2

TensorFlow的特点与介绍

cpu与GPU的对比

一个通俗易懂的理解：

TensorFlow的结构分析

所以，写TensorFlow代码时，一个是构建图的阶段（流程图，定义数据的操作）；一个是执行图阶段（调用各方资源，将定义好的数据和操作运行起来）

数据流图介绍

一个简单的加法案例：

#导入tensorflow
import tensorflow as tf
#将tensorflow转换成1版本的
tf.compat.v1.disable_eager_execution()
tf = tf.compat.v1

def tensorflow_demo():
    '''
    TensorFlow的基本结构
    :return:
    '''
    #原生python实现加法运算
    a = 2
    b = 3
    c = a+b
    print("原生python实现加法运算：\n",c)
    #TensorFlow实现假发运算
    a_t = tf.constant(2,name="a_T")
    b_t = tf.constant(3,name="b_T")
    c_t = a_t + b_t
    print("tensorflow加法运算的结果\n",c_t)
    #开启回话
    with tf.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value\n",c_t_value)
    return None

结果：

可以看到，如果我们只定义张量，并在执行加法操作之后，输入的结果并不是加法和的结果，而是一个张量，想要看到加法的结果，我们必须去开启会话，然后运行，才能得到结果。

TensorFlow的图结构

说白了，就是数据(Tensor)+操作（Operation）

1 默认图

代码：

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

输出：

2 创建图

代码：

#自定义图,tensorflow中的每一个图都有自己的一个命名空间
new_g = tf.Graph()
#在自定义的图（new_g）中定义数据和操作，需要借助于上下文管理器
with new_g.as_default():
    a_new = tf.constant(20)
    b_new = tf.constant(30)
    print("a_new:\n", a_new)
    print("b_new:\n", b_new)
    c_new = a_new + b_new
    print("c_new:\n",c_new)
    #查看图属性
    print("a_new的图属性\n", a_new.graph)
    print("c_new的图属性\n",c_new.graph)

输出：

TensorBoard可视化：

可视化步骤：

1 数据序列化 -events文件

#图的可视化
#1 将图写入本地生成events文件
#tf.summary.FileWriter("summary",graph=sess.graph)
#2 在浏览器查看tenforboard

2 启动TensorBoard

OP（操作函数&操作对象）

常见的op

简单的实例

关于打印出来的张量值