本文主要是介绍Python 全栈体系【四阶】（二十九），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
第五章 深度学习
四、TensorFlow
5. 张量及基本运算
5.1 张量的阶与形状
阶：张量的维度（数方括号的层数）
形状表示方法
- 0 维：( )
- 1 维：(5)，1 行 5 个元素
- 2 维：(2,3)，2 行 3 列
- 3 维：(2,3,4), 两个 3 行 4 列的矩阵
5.2 张量的数据类型
5.3 张量常用属性
| 属性名称 | 说明 |
|---|---|
| graph | 所属的默认图 |
| op | 张量的操作名 |
| name | 名称 |
| shape | 形状 |
| dtype | 元素类型 |
5.4 案例 5：查看张量属性
5.5 案例 6：生成张量
5.6 张量类型转换
| 函数名称 | 说明 |
|---|---|
| tf.string_to_number(string_tensor) | 字符串转换为数字 |
| tf.to_double(x) | 转换为 64 位浮点型 |
| tf.to_float(x) | 转换为 32 位浮点型 |
| tf.to_int32(x) / tf.to_int64(x) | 转换为 32/64 位整型 |
| tf.cast(x, dtype) | 将 x 转换为 dtype 所指定的类型 |
5.7 案例 7：张量类型转换
5.8 占位符
不确定张量内容情况下，可以使用占位符先占个位置，然后执行计算时，通过参数传入具体数据执行计算（通过 feed_dict 参数指定）。placeholder 节点被声明的时候是未初始化的， 也不包含数据， 如果没有为它供给数据， 则 TensorFlow 运算的时候会产生错误。
占位符定义：
- name = placeholder(dtype, shape=None, name=None)
5.9 案例 8：占位符使用
5.10 张量形状改变
静态形状：在创建一个张量，初始状态的形状
- tf.Tensor.get_shape()：获取 Tensor 对象的静态形状
- tf.Tensor.set_shape()：更新 Tensor 对象的静态形状
- 注意：转换静态形状的时候，1-D 到 1-D，2-D 到 2-D，不能跨阶数改变形状；对于已经固定或者设置静态形状的张量/变量，不能再次设置静态形状。
动态形状：在运行图时，动态形状才是真正用到的，这种形状是一种描述原始张量在执行过程中的一种张量
- tf.reshape(tf.Tensor, shape) ：创建一个具有不同动态形状的新张量
- 可以跨纬度转换，如 1D–>2D, 1D–>3D
5.11 案例 9：修改张量形状
5.12 张量数学计算
| 函数名称 | 说明 |
|---|---|
| tf.add(x, y) | 张量相加 |
| tf.matmul(x, y) | 张量相乘 |
| tf.log(x) | 求张量的自然对数 |
| tf.reduce_sum(x, axis) | 计算张量指定维度上的总和 |
| tf.segment_sum(data, segment_ids) | 计算张量片段总和 |
矩阵乘法说明
- 当矩阵 A 的列数（column）等于矩阵 B 的行数（row）时，A 与 B 可以相乘
- 矩阵 C 的行数等于矩阵 A 的行数，C 的列数等于 B 的列数
- 乘积 C 的第 m 行第 n 列的元素等于矩阵 A 的第 m 行的元素与矩阵 B 的第 n 列对应元素乘积之和
5.13 案例 10：张量数学计算
5.14 变量
变量是一种 op，它的值是张量
变量能够持久化保存，普通张量则不可
当定义一个变量时，需要在会话中进行初始化
变量创建
- tf.Variable(initial_value=None, name=None)
5.15 案例 11：变量使用
6. Tensorboard 工具
6.1 什么是可视化
可视化是用来查看在 Tensorflow 平台下程序运行的过程，包括：张量/变量，操作，数据流，学习过程等，从而方便 TensorFlow 程序的理解、调试与优化。
Tensorflow 提供了专门的可视化工具 tensorboard，它将 tensorflow 执行的数据、模型、过程用图形方式进行显示。tensorflow 在执行过程中，可以通过某些操作，将模型、数据、graph 等信息，保存到磁盘中的 Events 文件中去，从而提供给 tensorboard 进行可视化。
6.2 启动 tensorboard
使用以下命令启动 tensorboard
- tensorboard -logdir=“PycharmProjects/tensorflow_study/summary/”
- 其中，logdir 参数的值为事件文件存储目录，启动成功后可以看到如下信息，使用提示的 URL 地址和端口进行访问：
TensorBoard 1.14.0 at http://127.0.0.1:6006/
6.3 tensorboard 主页说明
6.4 案例 12：为操作添加可视化
注：张量如果未使用默认情况下不显示
6.5 摘要与事件文件操作
如果需要将变量/张量在 tensorboard 中显示，需要执行以下两步：
- 收集变量
- tf.summary.scalar(name, tensor) # 收集标量，name 为名字，tensor 为值
- tf.summary.histogram(name, tensor) # 收集高维度变量参数
- tf.summary.image(name, tensor) # 收集图片张量
- 合并变量并写入事件文件
- merged = tf.summary.merge_all() # 合并所有变量
- summary = sess.run(merged) # 运行合并，每次迭代训练都需要运行
- FileWriter.add_summary(summary, i) # 添加摘要，i 表示第几次的值
7. 综合案例：实现线性回归
任务描述：
- 给定一组输入、输出作为样本
- 定义线性模型，并进行训练
- 将训练过程可视化
这篇关于Python 全栈体系【四阶】（二十九）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
