TensorFlow架构

Tensorflow基本信息

Tensorflow所需处理器

CPU，GPU，TPU（Google为AI研发的专用芯片）

平台

Windows，Linux，Android，iOS，Raspberry Pi，云端执行

Tensorflowflow还支持分布式执行

前端程序语言

Python，C++

Tensorflow程序设计模式

Tensorflow设计的核心模式是“计算图”，分为建立计算图和执行计算图

建立计算图

W=tf.Variable(tf.random.normal([3,2]),name='W')#tf.random.normal()函数用于从正态分布中随机去除指定个数，第一个参数为张量形状
b=tf.Variable(tf.random.normal([1,2]),name='b')
X=tf.placeholder("float",[None,3],name='X') #X是运行时候输入的值，类型为flaot，形状为[None,3]
y=tf.nn.sigmoid(tf.matmul(X,W)+b,'y')#对表达式执行结果用sigmoid函数处理

注意：tf.placeholder在tensorflow2以上版本会报错

通过如下引用可以解决报错：

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

执行计算图

with tf.Session() as sess:
    init = tf.global_variables_initializer() #初始化模型参数
    sess.run(init)#开始初始化
    X_array = np.array([[0.4,0.2,0.4],
                        [0.3,0.4,0.5],
                        [0.3,-0.4,0.5]])  #定义X矩阵
    (_b,_W,_X,_y)=sess.run((b,W,X,y),feed_dict={X:X_array}) #运行，指定参数，并输入X

Keras介绍

Keras使用最少的程序代码，花费最少的时间就可以建立深度学习模型，进行训练，评估准确率，并进行预测。

Keras是一个模型级的深度学习库，只处理模型的建立，训练，预测等功能。

Keras程序设计模式

Keras是直接一层一层的建立模型，只要输入每一层参数即可。类似与蛋糕模式，一层一层的建立起蛋糕。

model = Sequential()#j建立模型
#增加输入层
model.add(Dense(units=256,
                input_dim=784,
                kernel_initializer='normal',
                activation='relu'
               ))
#增加输出层
model.add(Dense(units=10,
               kernel_initializer='normal',
               activation='softmax'))