目錄1TensorFlow概述01任務TensorFlow的優點02任務TensorFlow的幾個基本概念03任務1初識TensorFlow1TensorFlow概述TensorFlow是Google開源的基于數據流圖的、面向于深度學習算法的科學計算庫，命名來源于本身的運行原理，Tensor(張量)表示N維數組，Flow(流)表示基于數據流圖的計算。內部數據保存在張量(Tensor)對象上，所有的運算操作(Operation,OP)基于張量對象進行。在深度學習領域應用廣泛，如深度神經網絡、卷積神經網絡和遞歸神經網絡已被應用計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域并獲取了極好的效果。2TensorFlow的優點2TensorFlow的優點真正的可移植性

引入各種計算設備的支持包括CPU/GPU/TPU，以及能夠很好地運行在移動端，如安卓設備、ios、樹莓派等等多語言支持

Tensorflow有一個合理的c++使用界面，也有一個易用的python使用界面來構建和執行你的graphs，你可以直接寫python/c++程序高度的靈活性與效率

TensorFlow是一個采用數據流圖（dataflowgraphs），用于數值計算的開源軟件庫能夠靈活進行組裝圖，執行圖。隨著開發的進展，Tensorflow的效率不斷在提高TensorFlow由谷歌提供支持，谷歌投入了大量精力開發TensorFlow，它希望TensorFlow成為機器學習研究人員和開發人員的通用語言3TensorFlow的幾個基本概念3TensorFlow的幾個基本概念計算圖（graphs）：描述了計算過程，Tensorflow用圖來表示計算過程。張量（tensor）：Tensorflow使用tensor表示數據，每一個tensor是一個多維的數組。變量（variable）：變量(Variable)是特殊的張量(Tensor)，它的值可以是一個任何類型和形狀的張量，變量存儲的是持久張量，當訓練模型時，用變量來存儲和更新參數。占位符：輸入變量的載體。可以理解為定義函數時的參數。操作：圖中的節點為op，一個op獲得/輸入0個或者多個Tensor，執行并計算，產生0個或多個Tensor。會話（session）：

tensorflow的運行需要在會話里面運行。3TensorFlow的幾個基本概念（1）計算圖（graphs）：圖是TensorFlow用于表達計算任務的一個核心概念，Tensorflow用圖來表示計算過程，graph被定義一些操作和張量的集合3TensorFlow的幾個基本概念（2）張量（tensor）TensorFlow中，張量是計算圖上的數據載體，用張量統一表示所有的數據，張量在計算圖的節點之間傳遞；張量主要有三種類型：常量tf.constant()、變量tf.Variable()、占位符tf.palceholder()張量可以看做是n維的數組，數組的維數即為張量的階數：階數學實例Python例子0純量(只有大小)s=4831向量(大小和方向)v=[1.1,2.2,3.3]2矩陣(數據表)m=[[1,2,3],[4,5,6],[7,8,9]]33階張量(數據立體)t=[[[2],[4],[6]],[[8],[10],[12]],[[14],[16],[18]]]nn階(多維數組)....

3TensorFlow的幾個基本概念（3）變量（variable）1、變量是計算圖中的一種有狀態節點，用于在多次執行同一計算圖時存儲并更新指定參數，對應了機器學習或深度學習算法中的模型參數；作為有狀態節點，其輸出由輸入、節點操作、節點內部已保存的狀態值共同作用；2、創建變量的方法有三種：使用tf.Variable()函數直接定義使用TensorFlow內置函數創建使用其他變量初始值來定義新變量3、調用語法：tf.Variable(dtype,shape=None,name=None)dtype：數據類型shape：數據維度name：張量名稱

3TensorFlow的幾個基本概念（4）占位符（placeholder）用于聲明一個張量的數據格式，告訴系統這里會有一個這種格式的張量，但是還沒有給定具體數值，具體的數值要在正式運行的時候填充。占位變量是一種TensorFlow用來解決讀取大量訓練數據問題的機制，它允許你現在不用給它賦值，隨著訓練的開始，再把訓練數據傳送給訓練網絡學習。調用語法：tf.placeholder(dtype,shape=None,name=None)dtype：數據類型shape：數據維度name：張量名稱

3TensorFlow的幾個基本概念（5）操作（operation）：簡稱op，是TensorFlow圖中的節點，它的輸入和輸出都是Tensor。作用都是完成各種操作，包括算數操作、矩陣操作、神經網絡構建操作等。（6）會話（session）：Tensorflow會話，在Tensorflow中是計算圖的具體執行者，與圖進行實際的交互。ThankYOU!目錄1TensorFlow數學概念01任務矩陣的數學運算02任務TensorFlow數學運算03任務1TensorFlow數學概念1TensorFlow數學概念數學是任何機器學習算法的核心，使用TensorFlow創建應用程序之前，了解一些TensorFlow中基本的數學概念是很必要的，理解數學核心概念，有助于定義機器學習算法的解決方案。TensorFlow中經常出現的數學概念有：標量(scalar)

一個單獨的數向量(vector)

一列數，即一維數組矩陣(matrix)

二維數組張量(tensor)

多維數組1TensorFlow數學概念（1）標量標量(scalar)

，也稱純量，是只有大小，沒有方向的量，標量也稱為0維張量。比如：一個常數，只有數值大小，沒有方向。在物理學中，標量是在坐標變換的情況下，保持不變的物理量。1TensorFlow數學概念（2）向量向量(vector)，也稱矢量，是既有大小，又有方向的量。向量是一列數，即一維數組，向量也稱為一維張量。例如，在物理學中，速度就是一個向量，1TensorFlow數學概念（3）矩陣矩陣(matrix)是一個二維數組，數組元素以行和列的格式排列。矩陣的大小由行長度和列長度定義。矩陣也稱為二維張量。由m×n個數aij排成的m行n列的數表稱為m行n列的矩陣，簡稱m×n矩陣。記作：1TensorFlow數學概念（4）張量張量(tensor)

是多維數組，標量、矢量、矩陣都可以用張量表示，只是維度不同。2矩陣的數學運算2矩陣的數學運算矩陣的數學運算包括：矩陣加法、矩陣減法、矩陣乘法、矩陣轉置等運算。（1）矩陣加法兩個矩陣具有相同形狀的矩陣可以相加，相加表示將對應位置的元素相加，生成的矩陣與原矩陣形狀相同。例如：2矩陣的數學運算（2）矩陣減法矩陣減法與矩陣加法操作類似例如：2矩陣的數學運算（3）矩陣乘法假設矩陣A(形狀mxn)與B(形狀pxq)相乘，必須n=q，即A的列數必須與B的行數相同，得到的結果是C(形狀mxq)，其中元素的算法如下：2矩陣的數學運算（4）矩陣轉置矩陣轉置是指把一個矩陣的列轉置為行得到一個新矩陣，矩陣A的轉置可以表示為：3TensorFlow實現數學運算3TensorFlow實現數學運算TensorFlow中的數學運算包括加、減、乘、除、冪次方、對數、矩陣相乘等運算。（1）加減乘除法加、減、乘、除是最基本的數學運算，分別通過tf.add()、tf.subtract()、tf.multiply()、tf.divide()函數實現，TensorFlow支持+、-、*、/運算符，一般推薦直接使用運算符來完成加、減、乘、除運算。整除、除法取余也是常見的運算之一，分別通過//和%運算符實現。示例：3TensorFlow實現數學運算（2）冪次方函數tf.pow(x,a)可以完成x的a次方運算，也可以使用x**a完成，示例：3TensorFlow實現數學運算（2）冪次方設置指數為1/a的形式，既可以實現x開a次方根的運算示例：3TensorFlow實現數學運算（2）冪次方對于一些常見的平方和平方根運算，可以使用tf.square()和tf.sqrt()實現示例：3TensorFlow實現數學運算（2）冪次方對于tf.sqrt()，為實現開二次根運算。這里開二次根的運算，相當于指數為0.5，是一個小數，所以底數也應該轉換為小數。示例：3TensorFlow實現數學運算（3）矩陣乘法運算通過tf.matmul(a,b)函數實現矩陣相乘。矩陣A和B能夠矩陣相乘的條件是，A的倒數第一個維度長度和B的倒數第二個維度長度必須相等。示例：ThankYOU!目錄1數值型01任務字符串型02任務布爾型03任務1數值型1數值型數值型數據是TensorFlow中最常見的數據類型，標量、向量、矩陣、張量等都屬于數值型。（1）標量標量的創建可以使用python語言創建，也可以使用TensorFlow框架創建，TensorFlow使用tf.constant()函數創建標量。示例：1數值型（2）向量向量是n個實數的有序集合，如[1,2.,3.3]是維度數為1，shape

=(3,)的向量，TensorFlow使用tf.constant()函數創建向量，示例：1數值型（3）矩陣矩陣是n行m列實數的有序集合。維度為2，shape為(n,m)，TensorFlow使用tf.constant()函數創建矩陣，示例：1數值型（4）張量所有維度大于2的數組統稱為張量。張量的每個維度也做軸（Axis），一般維度代表了具體的含義，例如shape為(2,32,32,3)的張量一共有4維，如果表示圖片的數據，2代表2張圖片，32代表了高、寬都是32，3代表了RGB共3個通道。TensorFlow使用tf.constant()函數創建張量，示例：2字符串型2字符串型除了豐富的數值類型外，TensorFlow還支持字符串(String)類型的數據，TensorFlow通過tf.constant()函數傳入字符串對象即可創建字符串類型的張量，在tf.string模塊中，提供了許多處理字符串數據的函數，如：大寫化upper()，小寫化lower()，拼接join()，長度length()，切分split()：3布爾型2布爾型為了方便表達比較運算操作的結果，TensorFlow還支持布爾類型(bool)的張量。布爾類型的張量只需要傳入Python語言的布爾類型數據，轉換成TensorFlow內部布爾型即可：

ThankYOU!目錄1標量的應用01任務向量的應用02任務矩陣的應用03任務多維張量的應用04任務1標量的應用1標量的應用在TensorFlow中，每種維度下的張量都有典型的應用，不同維度的張量都具有不同的物理意義和用途。標量最容易理解，它就是一個簡單的數字，維度數為0，shape

=()。標量的典型用途之一是誤差值的表示、各種測量指標的表示，比如準確度(Accuracy)、精度(Precision)和召回率(Recall)等。2向量的應用2向量的應用向量是一種常見的數據載體，如在全連接層和卷積神經網絡層中，偏置張量??就使用向量來表示。如圖所示，每個全連接層的輸出節點都添加了一個偏置值，把所有輸出節點的偏置表示成向量形式：??=[??1,??2]??。3矩陣的應用3矩陣的應用矩陣也是非常常見的張量類型，比如全連接層的批量輸入??=[??,??????]，其中??表示輸入樣本的個數，即batchsize，??????表示輸入特征的長度。比如特征長度為4，一共包含2個樣本的輸入可以表示為矩陣：x=tf.random.normal([2,4])4多維張量的應用4多維張量的應用多維張量應用最多的是四維張量，對于含有RGB3個通道的彩色圖片，每張圖片包含了h行w列像素點，每個點需要3個數值表示RGB通道的顏色強度，因此一張圖片的張量的shape可以表示為(h,w,3)，故b張圖片的張量的shape可表示為[b,h,w,3]。ThankYOU!目錄1案例目標01任務環境配置02任務案例實施04任務案例分析02任務03任務1案例目標案例目標掌握tensorflow包的調用方法；掌握使用定義占位符和變量的方法；掌握計算圖的定義方法；掌握會話的創建方法；了解損失函數和優化過程。12案例分析2案例分析案例分析：x、y是二維矩陣，x=[[1.0,3.0],[3.2,4]],y=[[6.0,3.0],[5.2,43.]]，運算公式x*W+b=y，求W和b的最優值。3環境配置3環境配置Windows10jupyternotebooktensorflow2.04案例實施4案例實施1、導入庫開發環境安裝的是TensorFlow2.0版本，為了與TensorFlow1.0兼容，需要輸入如下代碼導入tensorflow包：4案例實施2、定義占位符和變量先給輸入數據定義占位符，在訓練優化函數的過程中輸入數據4案例實施3、定義計算圖和損失函數，使用梯度下降法優化4案例實施4、啟動會話，并初始化全局變量，并為x,y設置固定的值4案例實施5、通過while循環進行迭代訓練，并輸出最終求出的W和b的值ThankYOU!目錄1案例目標01任務環境配置02任務案例實施04任務案例分析02任務03任