一、TensorFlow简介

TensorFlow是由Google开发的开源机器学习框架，广泛应用于深度学习模型的构建、训练和部署。它支持从研究到生产的全流程，提供灵活的工具和库，适用于计算机视觉、自然语言处理等多种任务。

通俗理解
可以把TensorFlow想象成一个“乐高工厂”：
张量（Tensor）是各种形状的乐高积木（数据），比如数字、图片或文本。
计算图（Graph）是组装说明书，告诉工厂如何拼接这些积木（数学运算）。
流水线（Session）则是工人按说明书一步步组装，最终产出模型成品。

二、TensorFlow代码推理

例子（一）

这幅图片展示了一个使用TensorFlow构建的简单神经网络模型，并演示了如何进行预测。以下是关键点讲解：

输入数据：x是一个形状为(1,2)的NumPy数组，表示单个样本的两个特征值（200.0和17.0）。
网络结构：
- 第一层（layer_1）是包含3个神经元的Dense层，使用sigmoid激活函数，输出a1。
- 第二层（layer_2）是包含1个神经元的Dense层，使用sigmoid激活函数，输出a2。
矩阵表示：图中用矩阵形式展示了第一层的输出值示例（假设值），其中第一行为神经元输出（a₁^[1]=[ 0.2, 0.7, 0.8 ], a₂^[1]=0.8），第二行为占位值。
预测逻辑：对第二层的输出a2进行阈值判断（≥0.5），若成立则预测值yhat为1，否则为0。
符号说明：
- a₁^[2]表示第二层第一个（也是唯一一个）神经元的输出。
- y表示真实标签，yhat表示预测结果。

例子（二）

输入数据：x是一个包含图像像素值的NumPy数组，其中显示了部分示例值（0.0, 245, 240等），表示单个样本的展开像素特征。
网络结构：
- 第一层（layer_1）：25个神经元的Dense层，使用sigmoid激活函数，输出a1。
- 第二层（layer_2）：15个神经元的Dense层，使用sigmoid激活函数，输出a2。
- 第三层（layer_3）：1个神经元的输出层，使用sigmoid激活函数，输出a3。
预测逻辑：对最终输出a3进行二元分类判断（阈值0.5），若≥0.5则预测yhat为1，否则为0。

三、NumPy数组的创建与结构示例

代码功能：展示了通过np.array()创建二维NumPy数组的两种示例。
第一个数组：
```
[[1, 2, 3],  
 [4, 5, 6]]  
```
形状为(2, 3)，表示2行3列的矩阵。

第二个数组：

[[0.1, 0.2],  
 [-3.0, -4.0],  
 [-0.5, -0.6],  
 [7.0, 8.0]]

形状为(4, 2)，表示4行2列的矩阵。

四、NumPy数组形状的差异

第一个数组：

x = np.array([[200, 17]])  # 形状：(1, 2) - 1行2列的二维数组

显示为矩阵形式 [200 17]。

第二个数组：

x = np.array([[200], [17]])  # 形状：(2, 1) - 2行1列的二维数组

显示为列向量形式 [200] [17]。

第三个数组：

python

x = np.array([200, 17])  # 形状：(2,) - 一维数组（向量）

显示为 [200 17]，但维度不同。

五、神经网络激活向量的计算与输出

输入数据：

x = np.array([[200.0, 17.0]])  # 形状：(1, 2)的输入特征

神经网络层：
- 定义了一个包含3个神经元的Dense层（layer_1），使用sigmoid激活函数。
- 通过a1 = layer_1(x)计算激活值。
输出结果：
- 显示两种输出形式：
  1. Tensor形式：tf.Tensor([[0.2 0.7 0.3]], shape=(1, 3), dtype=float32)
    （1行3列的矩阵，值为示例假设值）
  2. NumPy形式：array([[1.4661001, 1.125196, 3.2159438]], dtype=float32)
    （实际计算的原始值，未经过sigmoid激活）

网络层定义：
- 定义了一个输出层（layer_2），包含1个神经元，使用sigmoid激活函数。
- 输入为上一层的激活输出a1。
计算结果：
- 输出a2是一个1x1的矩阵（标量形式），值为示例值0.8。
- 显示两种输出形式：
  1. Tensor形式：tf.Tensor([[0.8]], shape=(1, 1), dtype=float32)
  2. NumPy形式：array([[0.8]], dtype=float32)

菜单

TensorFlow｜张量流

分享