文章目录
TensorFlow 是一个开源的深度学习框架，由 Google Brain 团队开发和维护。它被广泛应用于机器学习和深度学习领域，可用于构建各种人工智能模型，包括图像识别、自然语言处理、语音识别、推荐系统等。
-
灵活性和可扩展性：TensorFlow 提供了灵活且可扩展的架构，可以在各种硬件平台上运行，包括 CPU、GPU 和 TPU（Tensor Processing Unit）。这使得 TensorFlow 成为构建大规模深度学习模型的理想选择。
-
计算图：TensorFlow 使用静态计算图的概念来表示机器学习模型。在构建模型时，首先定义计算图，然后执行计算图以训练模型或进行推理。
-
自动求导：TensorFlow 提供了自动求导功能，能够自动计算模型中各个参数的梯度。这简化了模型训练过程中的反向传播步骤。
-
高级 API：TensorFlow 提供了多种高级 API，如 tf.keras、tf.estimator 和 tf.data 等，使得构建、训练和部署机器学习模型更加简单和高效。
-
跨平台支持：TensorFlow 不仅支持在各种硬件平台上运行，还可以在多种操作系统上运行，包括 Linux、Windows 和 macOS。
-
社区支持：TensorFlow 拥有庞大的开发者社区，提供了丰富的文档、教程和示例代码，使得学习和使用 TensorFlow 更加容易。
Github
官网
文档
安装
- 清理所有安装包
pip freeze | xargs pip uninstall -y
pip install tensorflow==2.13.1
pip install matplotlib==3.7.5
pip install numpy==1.24.3
- 查看版本
pip list
import tensorflow as tf
print("TensorFlow version:", tf.__version__)
声明张量
常量
tf.constant(value, dtype=None, shape=None, name=None)
-
value：常量张量的值。可以是标量、列表、数组等形式的数据。如果传入的是标量，则创建的是一个标量张量；如果传入的是列表或数组，则创建的是一个多维张量。
-
dtype：常量张量的数据类型。可选参数，默认为 None。如果未指定数据类型，则根据传入的 value 推断数据类型。
-
shape：常量张量的形状。可选参数，默认为 None。如果未指定形状，则根据传入的 value 推断形状。
-
name：常量张量的名称。可选参数，默认为 None。如果未指定名称，则 TensorFlow 将自动生成一个唯一的名称。
import tensorflow as tf
tensor_constant = tf.constant([[1, 2], [3, 4]], dtype=tf.int32, shape=(2, 2), name="constant")
print("常量张量:", tensor_constant)
- 输出
常量张量: tf.Tensor(
[[1 2]
[3 4]], shape=(2, 2), dtype=int32)
变量
tf.Variable(initial_value, dtype, name=None)
-
initial_value：变量张量的初始值。可以是标量、列表、数组等形式的数据。如果传入的是标量，则创建的是一个标量张量；如果传入的是列表或数组，则创建的是一个多维张量。
-
dtype：变量张量的数据类型。此参数是必须的，不能为 None。你需要明确指定变量张量的数据类型。
-
name：变量张量的名称。可选参数，默认为 None。如果未指定名称，则 TensorFlow 将自动生成一个唯一的名称。
import tensorflow as tf
tensor_variable = tf.Variable(initial_value=[1, 2], dtype=tf.int32, name="variable")
print("变量张量:", tensor_variable)
- 输出
变量张量: <tf.Variable 'variable:0' shape=(2,) dtype=int32, numpy=array([1, 2], dtype=int32)>
张量计算
import tensorflow as tf
a_constant = tf.constant([[1, 2], [3, 4]], dtype=tf.int32, shape=(2, 2), name="a")
print("常量张量:", a_constant)
b_variable = tf.Variable(initial_value=[1, 2], dtype=tf.int32, name="b")
print("变量张量:", b_variable)
# 定义加法操作节点
c = tf.add(a_constant, b_variable, name="c")
# 执行加法操作并获取结果
print("输出结果: a + b = ", c.numpy())
- 输出
常量张量: tf.Tensor(
[[1 2]
[3 4]], shape=(2, 2), dtype=int32)
变量张量: <tf.Variable 'b:0' shape=(2,) dtype=int32, numpy=array([1, 2], dtype=int32)>
输出结果: a + b = [[2 4]
[4 6]]
张量数据类型转换
import tensorflow as tf
int_tensor = tf.constant([[1, 2], [3, 4]], dtype=tf.int32, shape=(2, 2), name="constant")
print("整型张量:", int_tensor)
# 将整数张量转换为浮点数张量
float_tensor = tf.cast(int_tensor, dtype=tf.float32)
print("浮点张量:", float_tensor)
- 输出
整型张量: tf.Tensor(
[[1 2]
[3 4]], shape=(2, 2), dtype=int32)
浮点张量: tf.Tensor(
[[1. 2.]
[3. 4.]], shape=(2, 2), dtype=float32)
张量数据维度转换
- 张量转换为指定形状的新张量，而不改变张量中的元素值
import tensorflow as tf
# [2, 3] 形状的张量
tensor = tf.constant([[1, 2, 3], [4, 5, 6]])
# [3, 2] 形状的张量
new_tensor = tf.reshape(tensor, [3, 2])
print("[2, 3] 形状的张量:", tensor)
print("[3, 2] 形状的张量:", new_tensor)
- 输出
[2, 3] 形状的张量: tf.Tensor(
[[1 2 3]
[4 5 6]], shape=(2, 3), dtype=int32)
[3, 2] 形状的张量: tf.Tensor(
[[1 2]
[3 4]
[5 6]], shape=(3, 2), dtype=int32)
ReLU 函数
ReLU(x)=max(0,x) 即当输入值 x 大于0时，输出
标签：TensorFlow2,plt,示例,卷积,images,张量,test,tf,mnist From： https://blog.csdn.net/weixin_42607526/article/details/139547876