TensorFlow简述

TensorFlow三个基本概念

1、计算图

计算图是TensorFlow的计算模型,所有TensorFlow的程序都会通过计算图的形式表示,图上的每一个节点都是一个运算,计算图上的边表示运算之间的数据传递关系,计算图还保存了运行每一个运算的设备信息以及运算之间的依赖关系。

2、张量

张量是TensorFlow的数据模型,TensorFlow中所有运算的输入和输出都是张量,张量不存储任何数据,只是对运算结果的引用。

3、会话

会话是TensorFlow的运算模型,它管理了一个TensorFlow程序拥有的系统资源,所有的运算都要通过会话执行。

训练神经网络的全部过程

1、定义神经网络的结构和前向传播的输出结果。

2、定义损失函数以及选择反向传播优化的算法。

3、生成会话(Session)并且在训练数据上反复运行反向传播优化算法。

笔记

1、设置神经网络参数的过程就是神经网络的训练过程,最常用的方法是反向传播算法。

2、特征提取,就可以将实际问题中的实体转化为空间的点。

3、神经网络就是通过对参数的合理设置来解决分类和回归。

4、神经网络结构是指的不同神经元之间的连接结构。

5、不同输入权重就是神经元的参数,神经网络的优化过程就是优化神经元中的参数值的过程。

6、全连接神经网络,相邻两层之间任意两个节点之间都有连接。

7、神经网络的前向传输结果:

(1)、神经网络的输入:从实体中提取的特征向量。

(2)、神经网络的连接结构:不同神经元之间输入和输出的连接。

(3)、每个神经元中的参数。

综上:给定神经网络的输入,结构及边上权重,就可以通过前向传播算法来计算神经网络的输出。

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20180704G1WP6I00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。

扫码关注云+社区

领取腾讯云代金券

年度创作总结 领取年终奖励