Tensorflow基本信息
Tensorflow所需处理器
CPU,GPU,TPU(Google为AI研发的专用芯片)
平台
Windows,Linux,Android,iOS,Raspberry Pi,云端执行
Tensorflowflow还支持分布式执行
前端程序语言
Python,C++
Tensorflow程序设计模式
Tensorflow设计的核心模式是“计算图”,分为建立计算图和执行计算图
建立计算图
W=tf.Variable(tf.random.normal([3,2]),name='W')#tf.random.normal()函数用于从正态分布中随机去除指定个数,第一个参数为张量形状
b=tf.Variable(tf.random.normal([1,2]),name='b')
X=tf.placeholder("float",[None,3],name='X') #X是运行时候输入的值,类型为flaot,形状为[None,3]
y=tf.nn.sigmoid(tf.matmul(X,W)+b,'y')#对表达式执行结果用sigmoid函数处理
注意:tf.placeholder在tensorflow2以上版本会报错
通过如下引用可以解决报错:
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()
执行计算图
with tf.Session() as sess:
init = tf.global_variables_initializer() #初始化模型参数
sess.run(init)#开始初始化
X_array = np.array([[0.4,0.2,0.4],
[0.3,0.4,0.5],
[0.3,-0.4,0.5]]) #定义X矩阵
(_b,_W,_X,_y)=sess.run((b,W,X,y),feed_dict={X:X_array}) #运行,指定参数,并输入X
Keras介绍
Keras使用最少的程序代码,花费最少的时间就可以建立深度学习模型,进行训练,评估准确率,并进行预测。
Keras是一个模型级的深度学习库,只处理模型的建立,训练,预测等功能。
Keras程序设计模式
Keras是直接一层一层的建立模型,只要输入每一层参数即可。类似与蛋糕模式,一层一层的建立起蛋糕。
model = Sequential()#j建立模型
#增加输入层
model.add(Dense(units=256,
input_dim=784,
kernel_initializer='normal',
activation='relu'
))
#增加输出层
model.add(Dense(units=10,
kernel_initializer='normal',
activation='softmax'))
标签:架构,normal,模型,Keras,0.4,Tensorflow,tf,TensorFlow From: https://www.cnblogs.com/RedNoseBo/p/17161112.html