北大曹健tensorflow

第三节

标签（空格分隔）： 张量 计算图 会话 前向传播 反向传播

3.1 张量、计算图、会话

​ 在tensorflow中，用张量表示数据，用计算图搭建神经网络，用会话执行计算图。

3.1.1 张量

张量就是多维数组（列表），用阶来表示张量的维数。如下图1所示，标量为零阶张量，向量为一阶张量，矩阵为二阶张量，如例子所示，有几个方括号就是几阶张量。

图1 张量

3.1.2 计算图

计算图（Graph）：搭建神经网络的计算过程，只搭建，不运算。图2为一个简单的计算图结构，

\(x_1\) 、\(x_2\) 为输入，\(w_1\) 、\(w_2\) 分别是 \(x_1\) 到 \(y\) ，\(x_2\) 到 \(y\) 的权重，\(y = X * W = x_1 * w_1 + x_2 * w_2\) , 计算y的过程实际就是矩阵的乘法。

图2 计算图结构

下图3为搭建好一个简单的计算图之后的输出结果，输出结果为一个张量（Tensor)，并没有实际计算张量的值，其余参数的具体含义如下：

图3 一个简单计算图输出结果参数含义

3.1.3 会话

会话（Session）：执行计算图中的节点运算，用with结构实现，具体实现如下图4所示：

图4 会话实现图中节点的运算

代码实现

#张量，计算图，会话
import tensorflow as tf
x = tf.constant([[1.0,2.0]])
w = tf.constant([[3.0],[4.0]])

y = tf.matmul(x,w)
print(y)

with tf.Session() as sess:
    print(sess.run(y))

Tensor("MatMul_1:0", shape=(1, 1), dtype=float32)
[[11.]]

转载于:https://www.cnblogs.com/victorxiao/p/11464915.html