[PYTHON] Tensorflow Glossar

Die Tensorflow-Funktion ist schwer zu verstehen, selbst wenn sie erklärt wird. Ich werde sie daher nur anhand eines Anwendungsbeispiels erläutern. tf.Variable()

import tensorflow as tf
x = tf.Variable(10 , name="x")
y = x * 5
print(y)

Ausgabe Tensor("mul_1:0", shape=(), dtype=int32)

Im obigen Code sieht die Ausgabe wie 50 aus, aber der Tensor wird ausgegeben. Wie bekommt man dann 50 Output?

x = tf.Variable(10 , name="x")
y = x * 5
sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
sess.run(y)

Ausgabe 50 In Tensorflow müssen Sie über tf.session einen Rechengraphen erstellen und ausführen. tf.global_variables_initializer () ist für die Initialisierung von Variablen in Rechengraphen verantwortlich

tf.placeholder() tf.placeholder(dtype, shape=None, name=None)

dtype: Weist den Typ zu, der der Variablen zugewiesen werden soll. Form: Form der zuzuweisenden Variablen name: Der Name der Variablen

Rückgabewert Tensor der zugeführten Variablen, die nicht direkt ausgewertet werden

Programmbeispiel

x = tf.placeholder(tf.int32)
y = tf.constant(1)
z = x + y
with tf.Session() as sess:
  print(sess.run(z, feed_dict={x: 2}))

Ausgabe 3 Definieren Sie zur Laufzeit x = 2 Übergeben Sie dann das Array an tf.placeholder.

x = tf.placeholder(tf.int32, shape=[2])
y = tf.placeholder(tf.int32, shape=[2])
z = x*y
with tf.Session() as sess:
  print(sess.run(z, feed_dict={x: [2, 1], y: [1, 2]}))

Ausgabe [2 2]

tf.placeholder_with_default Mit tf.placeholder_with_default können Sie den Anfangswert festlegen und zur Laufzeit ändern.

x = tf.placeholder_with_default(1, shape=[])
y = tf.constant(1)
with tf.Session() as sess:
  print(sess.run(x + y))

Ausgabe 0

x = tf.placeholder_with_default(1, shape=[])
y = tf.constant(1)
with tf.Session() as sess:
  print(sess.run(x + y, feed_dict={x: -1}))

Ausgabe 2

tf.shape tf.shape wird für Formen verwendet, die dynamisch geändert werden können.

x = tf.placeholder(tf.int32, shape=[None, 3])
size = tf.shape(x)[0]
sess = tf.Session()
sess.run(size, feed_dict={x: [[1, 2, 3], [1, 2, 3]]})

Ausgabe 2

.get_shape Verwenden Sie .get_shape für Formen, die sich nicht ändern.

x = tf.constant(1, shape=[2, 3, 4])
x.get_shape()[1]

Ausgabe Dimension(3)

Verweise Eine Einführung in Deep Learning mit Tensorflow