而Autograph机制可以将动态图转换成静态计算图，兼收执行效率和编码效率之利。
TensorFlow™ 是一个采用 数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线（edges）则表示在节点间相互联系的多维数据数组，即张量（tensor）。它灵活的架构让你可以在多种平台上展开计算，例如台式计算机中的一个或多个CPU（或GPU），服务器，移动设备等等。TensorFlow 最初由Google大脑小组（隶属于Google机器智能研究机构）的研究员和工程师们开发出来，用于机器学习和深度神经网络方面的研究，但这个系统的通用性使其也可广泛用于其他计算领域。
学过Python的小伙伴都会觉得，python的语法简单，逻辑清晰。虽然tensorflow是python的一个库（并不是标准库），但是使用并不简单，你可能会被tensorflow的奇怪语法设计困惑，所以本文章叫做费解的tensorflow，希望通过本文，读者可以更好的了解tensorflow。
上一篇Hello, TensorFlow!中的代码还未解释，本篇介绍TensorFlow核心编程的几个基本概念后，那些Python代码就很容易理解了。 与TensorFlow核心（Core）相对的是T
上一篇 11 74行Python实现手写体数字识别展示了74行Python代码完成MNIST手写体数字识别，识别率轻松达到95%。这算不上一个好成绩，不过我并不打算立即着手改善它，而是回到本系列的主线上来，用TensorFlow重新实现一遍完全相同的算法。 TF官方的Get Started中，关于MNIST准备了Beginner和Expert两个版本的实现。前者与其说是一个两层的神经网络，不如说是一种线性判别，后者则实现了CNN。两者之间差了一个经典的3层全连接NN，本篇补上。 最终基于TF的代码只有43
CNN神经网络–手写数字识别 引入包 python import numpy as np import tensorflow as tf 下载并载入 MNIST 手写数字库（55000 * 28 *
上一篇 11 74行Python实现手写体数字识别展示了74行Python代码完成MNIST手写体数字识别，识别率轻松达到95%。这算不上一个好成绩，不过我并不打算立即着手改善它，而是回到本系列的主线上来，用TensorFlow重新实现一遍完全相同的算法。 TF官方的Get Started中，关于MNIST准备了Beginner和Expert两个版本的实现。前者与其说是一个两层的神经网络，不如说是一种线性判别，后者则实现了CNN。两者之间差了一个经典的3层全连接NN，本篇补上。 最终基于TF的代码只有43行
在TensorFlow1.0时代，采用的是静态计算图，需要先使用TensorFlow的各种算子创建计算图，然后再开启一个会话Session，显式执行计算图。
剖析第一个例子 学习《机器学习》，很多IT高手是直接去翻看TensorFlow文档，但碰壁的很多。究其原因，TensorFlow的文档跨度太大了，它首先假设你已经对“机器学习”和人工智能非常熟悉，所有的文档和样例，都是用于帮助你从以前的计算平台迁移至TensorFlow，而并不是一份入门教程。 所以本文尽力保持一个比较缓慢的节奏和阶梯，希望弥合这种距离。本文定位并非取代TensorFlow文档,而是希望通过对照本文和TensorFlow文档，帮助你更顺利的进入Google的机器学习世界。 基于这个思路，
本文主要讲解了在编写基于TensorFlow的应用过程中如何使用Eager Mode。内容主要包括
作者：刘光聪 ，中兴通讯高级系统架构师，专注机器学习算法，分布式系统架构与优化。 原文：TensorFlow架构与设计：会话生命周期（http://www.jianshu.com/p/667cbb20d802） 责编：王艺 CSDN AI记者，投稿、寻求报道、深入交流请邮件wangyi@csdn.net或扫描文末二维码添加微信。 相关文章： 图解TensorFlow架构与设计 TensorFlow架构与设计：图模块 TensorFlow的系统结构以C API为界，将整个系统分为「前端」和「后端」两个
作者：Alex Wiltschko、Dan Moldovan、Wolff Dobson
昨天，TensorFlow推出了一个新功能「AutoGraph」，可以将Python代码（包括控制流print()和其他Python原生特性）转换为TensorFlow的计算图（Graph）代码。
在上一个教程中，我们介绍了 "张量"（Tensor）及其操作。本教程涉及自动微分（automatic differentitation），它是优化机器学习模型的关键技巧之一。
非监督学习 非监督学习的特点:只有特征值没有目标值。 当没有目标值时，只能把相似的特征归为一个类别。 这种分析方法叫做聚类。 聚类的过程： 如果知道可以划分为多少个类别： 这里以划分x个类别为例： 1、随即在数据中抽取x个样本，当做x个类别的中心点 2、计算其他点分别到这三个点的距离(欧氏距离),距离那个中心点近就划分为那个类别 3、计算每个类别的平均值，这个这个值于中心点相同，结束聚类。 如果不相同，以计算出的平均值为中心点，再次重复2,3步。 如果不知道需要划分为几类，就需要当做超参数处理。 模块： s
A tensor of the specified shape filled with random normal values.
TensorFlow是一个开源的机器学习框架，是由Google开发的，用于构建和训练机器学习模型的工具库。它提供了丰富的功能和易于使用的接口，可用于各种机器学习任务，如图像识别、自然语言处理、推荐系统等。
如果说两代 Tensorflow 有什么根本不同，那应该就是 Tensorflow 2.0 更注重使用的低门槛，旨在让每个人都能应用机器学习技术。考虑到它可能会成为机器学习框架的又一个重要里程碑，本文会介绍 1.x 和 2.x 版本之间的所有（已知）差异，重点关注它们之间的思维模式变化和利弊关系。
本文介绍了TensorFlow的基础知识，从TensorFlow的诞生、特点、架构、使用等方面进行描述，并通过一个简单的例子展示了如何使用TensorFlow进行深度学习。
我们第二种模式是通过python的上下文管理器来创建管理这个会话session，此时是不需要手写来关闭这个session，因为它会随着上下文管理器的关闭而自动结束并且自动释放资源。
---- CS224d－Day 2: 在 Day 1 里，先了解了一下 NLP 和 DP 的主要概念，对它们有了一个大体的印象，用向量去表示研究对象，用神经网络去学习，用 TensorFlow 去训练模型，基本的模型和算法包括 word2vec，softmax，RNN，LSTM，GRU，CNN，大型数据的 seq2seq，还有未来比较火热的研究方向 DMN，还有模型的调优。 今天先不直接进入理论学习，而是先学习一下 TensorFlow，在原课程里，这部分在第7讲，但是我觉得最高效地学习算法的方式，就是一边
TensorFlow入门的第一篇和大家聊了？graph图，op操作，node节点。对TensorFlow有了一个简单的认识，今天主要和大家分享的是TensorFlow中constant 常量， Variable变量，Placeholder占位符，Session启动图，fetches，feed等几个基本概念。 接下来我们通过一些简单的栗子分别来学习一下他们都是什么鬼。 # constant # 导入模块 import tensorflow as tf """ 怎么定义常量，常量的意思和我们平时理解的常量是一
原来引用过一个段子，这里还要再引用一次。是关于苹果的。大意是，苹果发布了新的开发语言Swift，有非常多优秀的特征，于是很多时髦的程序员入坑学习。不料，经过一段头脑体操一般的勤学苦练，发现使用Swift做开发，不仅要学习Swift，还要学习Swift2、Swift3、Swift4... 后来我发现，这个段子很有普遍性，并非仅仅苹果如此，今天的TensorFlow 2.0也有点这样的趋势。以至于我不得不专门写一个课程的续集，来面对使用新版本软件开始机器学习的读者。 事实上大多具有革命性的公司都是这样，一方面带来令人兴奋的新特征，另一方面则是高企不落的学习成本。
在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。
目前为止，我们只是使用了TensorFlow的高级API —— tf.keras，它的功能很强大：搭建了各种神经网络架构，包括回归、分类网络、Wide & Deep 网络、自归一化网络，使用了各种方法，包括批归一化、dropout和学习率调度。事实上，你在实际案例中95%碰到的情况只需要tf.keras就足够了（和tf.data，见第13章）。现在来深入学习TensorFlow的低级Python API。当你需要实现自定义损失函数、自定义标准、层、模型、初始化器、正则器、权重约束时，就需要低级API了。甚至有时需要全面控制训练过程，例如使用特殊变换或对约束梯度时。这一章就会讨论这些问题，还会学习如何使用TensorFlow的自动图生成特征提升自定义模型和训练算法。首先，先来快速学习下TensorFlow。
为提高 TensorFlow 的工作效率，TensorFlow 2.0 进行了多项更改，包括删除了多余的 API，使API 更加一致统一，例如统一的 RNNs (循环神经网络），统一的优化器，并且Python 运行时更好地集成了 Eager execution 。
这一系列教程分为 6 部分，从为什么选择 TensorFlow 到卷积神经网络的实现，介绍了初学者所需要的技能。机器之心在本文介绍了 PyTorch 和 Caffe 等深度学习框架的优缺点及 TensorFlow 基础，包括静态计算图、张量、TensorBoard 可视化和模型参数的保存等。
1. 如何使用log_device_placement参数来打印运行每一个运算的设备。
tensor.get_shape()或者tensor.shape是无法在计算图中用于确定张量的形状。
TensorFlow 的 Eager Execution 是一种命令式编程环境，可立即评估操作，无需构建图：操作会返回具体的值，而不是构建以后再运行的计算图。这样能让您轻松地开始使用 TensorFlow 和调试模型，并且还减少了样板代码。要遵循本指南，请在交互式 python 解释器中运行下面的代码示例。
Python中关键词有多少个？Python中关键词目前有31个，可以利用Python的内置的keyword模块进行输出查看。
作者 | Chidume Nnamdi ???? 翻译 | linlh、余杭、通夜 编辑 | 王立鱼、约翰逊·李加薪 原文链接： https://blog.bitsrc.io/learn-t
机器之心编译 参与：张倩、刘晓坤 随着 TensorFlow 在研究及产品中的应用日益广泛，很多开发者及研究者都希望能深入学习这一深度学习框架。而在昨天机器之心发起的框架投票中，2144 位参与者中有 1441 位都在使用 TensorFlow 框架，是所有框架中使用率最高的。但 TensorFlow 这种静态计算图有一定的学习成本，因此也阻挡了很多准备入坑的初学者。本文介绍了学习 TensorFlow 的系列教程，旨在通过简单的理论与实践帮助初学者一步步掌握 TensorFlow 的编程
本文代码主要演示tensorflow的基本用法。 import tensorflow as tf # 创建变量，保存计算结果 start = tf.Variable(1, dtype=tf.int64) # 初始化变量的op init_op = tf.global_variables_initializer() # 启用默认图 with tf.Session() as sess: # 初始化变量 sess.run(init_op) # 执行计算 for i in range(2, 31):
Tensorflow由Google Brain谷歌大脑开源出来的，在2015年11月在GitHub上开源，2016年是正式版，2017年出了1.0版本，趋于稳定。谷歌希望让优秀的工具得到更多的去使用，所以它开源了，从整体上提高深度学习的效率。在Tensorflow没有出来之前，有很多做深度学习的框架，比如caffe，CNTK，Theano，公司里更多的用Tensorflow。caffe在图像识别领域也会用。Theano用的很少，Tensorflow就是基于Theano。中国的百度深度学习PaddlePaddle也比较好，因为微软、谷歌、百度它们都有一个搜索引擎，每天用户访问量非常大，可以拿到用户海量的数据，就可以来训练更多的模型。
TensorFlow提供的方法比numpy更全面，运算速度更快，如果需要的话，还可以使用GPU进行加速。
tf.GradientTape定义在tensorflow/python/eager/backprop.py文件中，从文件路径也可以大概看出，GradientTape是eager模式下计算梯度用的，而eager模式（eager模式的具体介绍请参考文末链接）是TensorFlow 2.0的默认模式，因此tf.GradientTape是官方大力推荐的用法。下面就来具体介绍GradientTape的原理和使用。
我叫 Jacob，是 Google AI Resident 项目的研究学者。我是在 2017 年夏天加入该项目的，尽管已经拥有了丰富的编程经验，并且对机器学习的理解也很深刻，但此前我从未使用过 TensorFlow。当时我觉得凭我的能力应该很快就能上手。但让我没想到的是，学习曲线相当的陡峭，甚至在加入该项目几个月后，我还偶尔对如何使用 TensorFlow 代码来实现想法感到困惑。我把这篇博文当作瓶中信写给过去的自己：一篇我希望在学习之初能被给予的入门介绍。我希望这篇博文也能帮助到其他人。
tensorflow中所有的tensor只是占位符，在没有用tf.Session().run接口填充值之前是没有实际值的，不能对其进行判值操作，如if ... else...等，在实际问题中，我们可能需要将一个tensor转换成numpy array 然后进行一些 np的运算，然后返回tensor这样可以加强tensorflow的灵活性。在目标检测算法Faster R-CNN中，需要计算各种ground truth，接口比较复杂。因此，使用tf.py_func是一个比较好的途径。对于tf.py_func的使用，可以参见计算RPN的ground truth和计算proposals的ground truth时的使用方法。可以看到，都是将tensor转化成numpy array，再使用np.操作完成复杂运算。封装一个python函数并将其用作TensorFlow op。
选自Google Brain 作者：Asim Shankar & Wolff Dobson 机器之心编译 PyTorch 的动态图一直是 TensorFlow 用户求之不得的功能，谷歌也一直试图在 TensorFlow 中实现类似的功能。最近，Google Brain 团队发布了 Eager Execution，一个由运行定义的新接口，让 TensorFlow 开发变得简单许多。在工具推出后，谷歌开发人员 Yaroslav Bulatov 对它的性能与 PyTorch 做了横向对比。 今天，我们为 Tens
如果您使用过 TensorFlow 1.x，则本部分将重点介绍迁移到 TensorFlow 2.0 所需的总体概念更改。 它还将教您使用 TensorFlow 可以进行的各种 AIY 项目。 最后，本节向您展示如何将 TensorFlow Lite 与跨多个平台的低功耗设备一起使用。
[1]Tensorflow实战Google深度学习框架: https://github.com/caicloud/tensorflow-tutorial/tree/master/Deep_Learning_with_TensorFlow/1.4.0
上一篇我们学习了三种不易用Python多处理表示的工作负载基准测试的其中两种，并比较了Ray、Python多处理和串行Python代码。今天这一篇我们来聊聊第三种基准测试。
导读：虽然对于大多数人来说 TensorFlow 的开发语言是 Python，但它并不是一个标准的 Python 库。这个神经网络框架通过构建「计算图」来运行，对于很多新手来说，在理解其逻辑时会遇到很多困难。本文中，来自谷歌大脑的工程师 Jacob Buckman 将试图帮你解决初遇 TensorFlow 时你会遇到的麻烦。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
