TensorFlow 导学

神经元结构

神经网络是由多个神经元的堆叠组成    神经元(Neuron)

 

代码实现

#np.dot()函数解释说明
weight = [1,2,3]  #定义两个列表
inputs = [2,3,5]  
#weight和inputs列表对应进行相乘相加
z = np.dot(weight,inputs)
#输出结果
print(z) #结果23

# 安装numpy:pip3 install numpy
# 神经元由以下部分组成:
#  1.多输入数据(inputs)——
#  2.加权即权重(weight)——
#  3.偏置即增加权重(bias)——
#  4.前三个通过乘加计算得权值(z)
#  5 激活函数选择Relu函数

#神经元的Python代码
import numpy as np   #导入numpy进行数值运算
class Neuron:
    '''
    在初始化接收传入的weight和bias,赋予定义类变量weight(权重)和bias(偏置)
    relu(z)方法:在传入z,计算0到z最大值进行返回
    feedforward:计算权值，将权值z传入relu(z)函数,结果返回
    '''
    def __init__(self,weight,bias):
        self.weight = weight  #定义权重变量weight
        self.bias = bias      #定义偏置变量bias
    def relu(self,z):  #定义函数relu
        return max(0,z)  #取最大值返回
    def feedforward(self,inputs):
        #dot()多个数据相乘相加，再加上偏置数
        z = np.dot(self.weight,inputs) + self.bias
        #传入relu函数并返回值
        return self.relu(z)

#定义四个输入的权重和数据以及偏置值
weight = [1,2,3,4]
inputs = [10,8,9,4]
bias = 10 
#神经元实例化
newNeuron = Neuron(weight,bias) #传入参数
#使用feedforward方法
value = newNeuron.feedforward(inputs)  #传入参数
#输出结果
print(value) #输出为79

Tensorflow 2的运行模式

TensorF low 2代码的执行机制默认采用Eager Execution (动态图执行机制)
TensorFlow 1. x版本代码的执行主要是基于传统的Graph Execution ( 静态图执行)机制，存在着一-定弊端，如入门i门槛高、调试困难、灵活性差、无法使用Python 原生控制语句等
静态图执行模式对于即时执行模式效率会更高，所以通常当模型开发调试完成，部署采用图执行模式会有更高运行效率。在TensorFlow 2里也支持已函数方式调用计算图。

# ●TensorFlowTM 是一个开放源代码软件库，用于进行高性能数值计算
# ●借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台(CPU、GPU、TPU)和设备(桌面设备、服务器集群、移动设备、边缘设备等)
# ●TensorFlow最初是由Google Brain 团队(隶属于Google的AI部门) 中的研究人 员和工程师开发的，可为机器学习和深度学习提供强力支持

 安装使用与验证

pip3 install tensorflow==2.0.0  #安装命令

import tensorflow as tf
print('tensorflow的版本是:',tf.__version__)  #tensorflow的版本是: 2.0.0