TensorFlow｜张量流
-----------------------------------------------------------------------------------------------
这是我在我的网站中截取的文章，有更多的文章欢迎来访问我自己的博客网站rn.berlinlian.cn，这里还有很多有关计算机的知识，欢迎进行留言或者来我的网站进行留言！！！
-----------------------------------------------------------------------------------------------
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：
-
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） -
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：
-
Tensor形式：
tf.Tensor([[0.8]], shape=(1, 1), dtype=float32) -
NumPy形式：
array([[0.8]], dtype=float32)
-
-
-----------------------------------------------------------------------------------------------
这是我在我的网站中截取的文章，有更多的文章欢迎来访问我自己的博客网站rn.berlinlian.cn，这里还有很多有关计算机的知识，欢迎进行留言或者来我的网站进行留言！！！
-----------------------------------------------------------------------------------------------