tensorflow学习笔记

简介：

基于Tensorflow的NN：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；优化线上的权重（参数），得到模型。

张量（tensor）：多维数组（列表）   阶：张量的维数

维数        阶        名字                例子
0-D         0     标量 scalar       s=123
1-D         1     向量 vector       v=[1,2,3]
2-D         2     矩阵 matrix       m=[[1,2,3],[4,5,6],[7,8,9]]
n-D         n     张量 tensor       t=[[[...... n个

张量   可以表示0阶到n阶数组（列表）

数据类型：tf.float32    tf.float64  ....

import tensorflow as tf

a=tf.constant([1.0,2.0])
b=tf.constant([[3.0],[4.0]])
result=a+b
print result


>>>:Tensor("add:0", shape=(2, 2), dtype=float32)

结果解释：

"add:0"：　　add(节点名)0(第0个输出)
 shape=(2, 2)：　　shape（维度）（2,2）二维数组长度为2
 dtype=float32：　　dtype（数据类型）

计算图（graph）：搭建神经网络的计算过程，只搭建，不运算。

会话（session）：执行计算图中的节点运算

import tensorflow as tf

a=tf.constant([1.0,2.0])
b=tf.constant([[3.0],[4.0]])
y=tf.matmul(a,b)
print y
with tf.Session() as sess:
    print sess.run(y)

参数：线上的权重W，用变量表示，随机给初值。