下载APP 把W3Cschool装进口袋
返回 首页

TensorFlow官方文档

TensorFlow:tf.Session函数

上一篇 下一篇

tf.Session 函数

Session 类

定义在:tensorflow/python/client/session.py

请参阅指南:运行图>会话管理

用于运行TensorFlow操作的类。

一个Session对象封装了Operation执行对象的环境,并对Tensor对象进行计算。例如:

# Build a graph.
a = tf.constant(5.0)
b = tf.constant(6.0)
c = a * b

# Launch the graph in a session.
sess = tf.Session()

# Evaluate the tensor `c`.
print(sess.run(c))

session可能拥有的资源,如:tf.Variable,tf.QueueBase和tf.ReaderBase。不再需要时释放这些资源是非常重要的。为此,请在session中调用tf.Session.close方法,或使用session作为上下文管理器。以下两个例子是等价的:

# Using the `close()` method.
sess = tf.Session()
sess.run(...)
sess.close()

# Using the context manager.
with tf.Session() as sess:
  sess.run(...)

ConfigProto协议缓存公开了用于session的各种配置选项。例如,要创建为设备放置使用软约束的session,并记录生成的放置决策,请按如下方式创建session:

# Launch the graph in a session that allows soft device placement and
# logs the placement decisions.
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,
                                        log_device_placement=True))

Session属性

  • graph
    本次session上发布的图表。
  • graph_def
    底层TensorFlow图形的可序列化版本。
    • 函数返回:
      • 包含底层TensorFlow图表中所有操作的节点的graph_pb2.GraphDef原型。
  • sess_str

Session 方法

__init__

__init__(
    target='',
    graph=None,
    config=None
)

创建一个新的TensorFlow session。

如果在构建session时没有指定graph参数,则将在session中启动默认关系图。如果使用多个图(在同一个过程中使用tf.Graph()创建,则必须为每个图使用不同的sessio,但是每个图都可以用于多个sessio中,在这种情况下,将图形显式地传递给sessio构造函数通常更清晰。

方法参数

  • target:(可选)要连接到的执行引擎。默认使用进程内引擎。有关更多示例,请参阅“Distributed TensorFlow”。
  • graph:(可选)将被启动的Graph(如上所述)。
  • config:(可选)具有session配置选项的ConfigProto协议缓冲区。

__enter__

__enter__()

__exit__

__exit__(
    exec_type,
    exec_value,
    exec_tb
)

as_default

as_default()

返回使该对象成为默认session的上下文管理器。

与with关键字一起使用来指定在此session中调用tf.Operation.run或tf.Tensor.eval应执行的操作。

c = tf.constant(..)
sess = tf.Session()

with sess.as_default():
  assert tf.get_default_session() is sess
  print(c.eval())

要获取当前的默认session,请使用tf.get_default_session。

注意:退出上下文时,as_default上下文管理器不会关闭session,并且必须显式关闭session。

c = tf.constant(...)
sess = tf.Session()
with sess.as_default():
  print(c.eval())
# ...
with sess.as_default():
  print(c.eval())

sess.close()

或者,您可以使用tf.Session():创建会在退出上下文时自动关闭的session,包括未捕获的异常发生时。

注意,默认session是当前线程的一个属性。如果你创建一个新的线程,并希望在该线程中使用默认的session,则必须明确地添加一个sess.as_default():到该线程的函数。

注意,输入一个sess.as_default():块不会影响当前的默认图形。如果您正在使用多个图表,并且与其sess.graph值不同,则tf.get_default_graph必须明确地输入一个带有sess.graph.as_default():块来创建sess.graph默认图形。

as_default()方法返回:

使用此session作为默认session的上下文管理器。

close

close()

关闭这个session。

调用此方法可释放与session关联的所有资源。

可能引发的异常

  • tf.errors.OpError:如果在关闭TensorFlow session时发生错误,则会有一个子类。

list_devices

list_devices()

列出此session中的可用设备。

devices = sess.list_devices()
for d in devices:
  print(d.name)

列表中的每个元素都具有以下属性:

  • name:具有设备全名的字符串。例如:/job:worker/replica:0/task:3/device:CPU:0
  • device_type:设备的类型(例如CPU,GPU,TPU) 
  • memory_limit:存储设备上可用的最大内存量。注意:取决于设备,可用内存可能会大大减少。

可能引发的异常

  • tf.errors.OpError:如果遇到错误(例如session处于无效状态,或发生网络错误)。

list_devices()方法返回:

list_devices()方法将返回session中的设备列表。

make_callable

make_callable(
    fetches,
    feed_list=None,
    accept_options=False
)

返回运行特定步骤的Python可调用对象。

返回的可调用将采取 len (feed_list) 参数,其类型必须是feed_list各自元素的兼容feed值。例如,如果feed_list的元素i是一个tf.Tensor,则返回的可调用的第 i 参数必须是一个 numpy 的 ndarray(或可转化成ndarray的东西)具有匹配元素类型和形状。请参阅tf.Session.run允许的Feed键和值类型的详细信息。

返回的可调用将具有与tf.Session.run(fetches, ...)。例如,如果fetches是tf.Tensor ,则可调用将返回一个numpy的ndarray; 如果fetches是一个tf.Operation,它会返回None。

方法参数

  • fetches:要获取的值或值列表。请参阅tf.Session.run允许的获取类型的详细信息。
  • feed_list:(可选)一个feed_dict键列表。请参阅tf.Session.run允许的Feed键类型的详细信息。
  • accept_options:(可选)如果为True,则返回的Callable将是能够接受tf.RunOptions和tf.RunMetadata可选关键字参数options,并且run_metadata分别使用与tf.Session.run相同的语法和语义,这对于某些使用情况很有用(分析和调试),但会导致可测量放缓的Callable的表现。默认为False。

方法返回

一个函数调用将执行由feed_list定义的步骤时,并在此会话中读取的函数。

可能引发的异常

  • TypeError:如果fetches或feed_list不能被解释为tf.Session.run的参数。

partial_run

partial_run(
    handle,
    fetches,
    feed_dict=None
)

通过更多的feed和fetche继续执行。

这是实验性的,可能会有变化。

要使用部分执行,用户首先调用partial_run_setup(),然后是一个序列partial_run()。partial_run_setup指定将在随后的partial_run调用中使用的提要和提取列表。

可选feed_dict参数允许调用者覆盖图中张量的值。请参阅run()以获取更多信息。

下面是一个简单的例子:

a = array_ops.placeholder(dtypes.float32, shape=[])
b = array_ops.placeholder(dtypes.float32, shape=[])
c = array_ops.placeholder(dtypes.float32, shape=[])
r1 = math_ops.add(a, b)
r2 = math_ops.multiply(r1, c)

h = sess.partial_run_setup([r1, r2], [a, b, c])
res = sess.partial_run(h, r1, feed_dict={a: 1, b: 2})
res = sess.partial_run(h, r2, feed_dict={c: res})

方法参数

  • handle:部分运行序列的处理器。
  • fetches:单个图形元素,图形元素列表或其值为图形元素或图形元素列表的字典(请参阅“run文档”)。
  • feed_dict:将图表元素映射到值的字典(如上所述)。

方法返回:

可以是单个值,如果fetches是单个图元素,或者列表值,如果fetches是列表,或者是具有与字典相同的键fetches的字典(请参阅“run文档”)。

方法可能引发的异常

  • tf.errors.OpError:其中一个子类出错。

partial_run_setup

partial_run_setup(
    fetches,
    feeds=None
)

为部分运行设置一个带有feed和fetche的图形。

这是实验性的,可能会有变化。

请注意,与运行相反,feeds只能指定图形元素。张量将由随后的partial_run调用提供。

方法参数

  • fetches:一个图形元素,或者一个图元素列表。
  • feeds:一个图形元素,或者一个图元素列表。

方法返回:

局部运行的处理器。

可能引发的异常

  • RuntimeError:如果这Session是无效状态(例如已经关闭)。
  • TypeError:如果fetches或者feed_dict键的类型不合适。
  • tf.errors.OpError:如果发生TensorFlow错误,或者它的一个子类。

reset

@staticmethod
reset(
    target,
    containers=None,
    config=None
)

在target上重置资源容器,并关闭所有连接的会话。

资源容器分布在同一个群集target中的所有工作人员。target重置资源容器时,与该容器关联的资源将被清除。尤其是,容器中的所有变量都将变得不确定:它们将失去其值和形状。

注意:(i)reset()目前仅用于分布式会话。(ii)任何名为target的主的session将被关闭。

如果没有提供资源容器,则所有的容器都被重置。

方法参数

  • target:连接到的执行引擎。
  • containers:资源容器名称字符串的列表,如果所有容器都将被重置,则为None。
  • config:(可选)具有配置选项的协议缓冲区。

可能引发的异常

  • tf.errors.OpError:或者如果在重置容器时发生错误,它的一个子类。

run

run(
    fetches,
    feed_dict=None,
    options=None,
    run_metadata=None
)

在fetches中运行操作和计算张量。

此方法运行一个TensorFlow计算的一个“步骤”,通过运行所需的图形片段来执行每个Operation和计算fetches中的每个Tensor,用 feed_dict 中的值替换相应的输入值。

所述fetches参数可以是一个单一的图形元素,或任意嵌套列表、元组、namedtuple、字典、或含有它的叶子图表元素OrderedDict。图形元素可以是以下类型之一:

  • 一个tf.Operation。相应的取值将会是None。
  • 一个tf.Tensor。相应的取值将是一个包含该张量值的numpy ndarray。
  • 一个tf.SparseTensor。相应的取值将是一个tf.SparseTensorValue包含稀疏张量的值。
  • 一个get_tensor_handle操作。相应的取值将是包含该张量句柄的numpy ndarray。
  • A string是图中张量或操作的名称。

run()返回的值具有与fetches参数相同的形状,叶子由TensorFlow返回的相应值替换。

示例:

a = tf.constant([10, 20])
b = tf.constant([1.0, 2.0])
# 'fetches' can be a singleton
v = session.run(a)
# v is the numpy array [10, 20]
# 'fetches' can be a list.
v = session.run([a, b])
# v is a Python list with 2 numpy arrays: the 1-D array [10, 20] and the
# 1-D array [1.0, 2.0]
# 'fetches' can be arbitrary lists, tuples, namedtuple, dicts:
MyData = collections.namedtuple('MyData', ['a', 'b'])
v = session.run({'k1': MyData(a, b), 'k2': [b, a]})
# v is a dict with
# v['k1'] is a MyData namedtuple with 'a' (the numpy array [10, 20]) and
# 'b' (the numpy array [1.0, 2.0])
# v['k2'] is a list with the numpy array [1.0, 2.0] and the numpy array
# [10, 20]

可选的feed_dict参数允许调用者在关系图中覆盖张量的值。feed_dict 中的每个键都可以是以下类型之一:

  • 如果键是a tf.Tensor,则值可以是可以转换为与dtype张量相同的Python标量,字符串,列表或numpy ndarray 。此外,如果键是a tf.placeholder,则将检查值的形状是否与占位符兼容。
  • 如果键是a tf.SparseTensor,则值应该是a tf.SparseTensorValue。
  • 如果键是Tensors或SparseTensors 的嵌套元组,则该值应该是一个嵌套元组,其结构与映射到上面相应的值相同。

feed_dict 中的每个值必须可转换为相应键的 dtype 的 numpy 数组。

可选options参数需要一个[ RunOptions] 原型。这些选项允许控制此特定步骤的行为(例如,启用跟踪)。

可选run_metadata参数需要一个[ RunMetadata] 原型。在适当的时候,这个步骤的非张量输出将被收集在那里。例如,当用户在options打开跟踪时,配置文件信息将被收集到该参数中并传回。

方法参数

  • fetches:单个图形元素,图形元素列表或其值为图元素或图元素列表(如上所述)的字典。
  • feed_dict:将图表元素映射到值的字典(如上所述)。
  • options:一个[ RunOptions]协议缓冲区
  • run_metadata:一个[ RunMetadata]协议缓冲区

方法返回:

单个值如果fetches是单个图元素,或者值列表if fetches是列表,或者具有与fetches字典(如上所述)相同的关键字的字典。

可能发生的异常

  • RuntimeError:如果该Session是无效状态(例如已经关闭)。
  • TypeError:如果fetches或者feed_dict键的类型不合适。
  • ValueError:如果fetches或者feed_dict键无效或者引用Tensor不存在的键。


上一篇 下一篇
目录

TensorFlow 入门基础

介绍TensorFlow
下载与安装TensorFlow
TensorFlow的基本使用

TensorFlow 指南

TensorFlow assert和布尔值检查函数
TensorFlow贝叶斯熵(contrib)
TensorFlow 贝叶斯蒙特卡罗(contrib)
TensorFlow 贝叶斯随机图(contrib)
TensorFlow 贝叶斯随机张量(contrib)
TensorFlow 贝叶斯变分推断(contrib)
TensorFlow 构建图
TensorFlow生成常量,序列和随机值
TensorFlow 控制流程
TensorFlow 复制图形元素(contrib)
TensorFlow CRF(contrib)
TensorFlow 数据IO(Python函数)
TensorFlow使用FFmpeg(contrib)
TensorFlow 框架(contrib)
TensorFlow图形编辑器(contrib)
TensorFlow 高阶函数
TensorFlow直方图
TensorFlow图像操作
TensorFlow 输入和读取器
TensorFlow的集成(contrib)
TensorFlow层(contrib)
学习TensorFlow的高级API
TensorFlow 线性代数库(contrib)
TensorFlow损失(contrib)
TensorFlow 数学函数
TensorFlow 指标(contrib)
TensorFlow 神经网络
TensorFlow 优化(contrib)
TensorFlow 随机变量变换(contrib)
TensorFlow RNN和单元(contrib)
TensorFlow 运行图
TensorFlow Seq2seq库(contrib)
TensorFlow 稀疏张量
TensorFlow 光谱函数
TensorFlow 统计分布(contrib)
TensorFlow 字符串操作
TensorFlow 摘要操作
TensorFlow 张量处理操作
TensorFlow 张量变换
TensorFlow调试器
TensorFlow 测试
TensorFlow Training函数(contrib)
TensorFlow Training函数
TensorFlow 实用程序(contrib)
TensorFlow 变量
TensorFlow 包装python函数
将数据导入TensorFlow

TensorFlow 函数介绍

TensorFlow 函数模块:tf

TensorFlow app模块

bitwise模块

TensorFlow元素按位与运算
bitwise_or运算
TensorFlow元素按位异或
翻转TensorFlow所有位元素

TensorFlow compat模块

TensorFlow 字节和Unicode转换
TensorFlow str的转换
TensorFlow 返回给定参数

TensorFlow contrib模块

TensorFlow 估计ELBO和KL散度中出现的比值
TensorFlow 计算Monte Carlo或Shannon熵的确定性
TensorFlow Renyi方法的使用
TensorFlow 计算Renyi分歧
TensorFlow Monte Carlo期望值计算
TensorFlow Monte Carlo重要性抽样估计
TensorFlow 对数空间的重要性抽样估计
TensorFlow 随机图的代理损失
TensorFlow 发出随机值的张量
TensorFlow 获取随机张量值类型
TensorFlow 随机张量值类型的MeanValue类
TensorFlow 具有观察值的 StochasticTensor
TensorFlow绘制样本
TensorFlow StochasticTensor详细介绍
TensorFlow创建值类型上下文
TensorFlow 变分推理操作
在TensorFlow中创建一个BigQueryReader
TensorFlow中copy的使用方法
TensorFlow中与CRF有关的操作
TensorFlow使用Cudnn实现模型
TensorFlow处理RNN参数变量
TensorFlow的数据集
TensorFlow创建固定长度记录的Dataset
使用Iterator类
TensorFlow读取批处理
TensorFlow对数据集重新取样
TensorFlow文本文件行的数据集
包含TFRecord文件记录的数据集

TensorFlow的errors模块

TensorFlow的errors模块总览
TensorFlow操作被中止
TensorFlow处理已存在的error
TensorFlow取消操作或步骤时引发的error
DataLossError类的使用
处理DeadlineExceededError
处理FailedPreconditionError
InternalError的处理
TensorFlow的InvalidArgumentError类
NotFoundError如何引发
TensorFlow操作迭代超过有效的输入范围
TensorFlow调用方没有运行操作权限怎么办
TensorFlow资源用尽引发的异常
TensorFlow无效身份验证引发的异常
当前不可用的runtime异常
操作未实现会引发TensorFlow异常吗
UnknownError异常

estimator模块

TensorFlow如何生成解析规范
如何使用DNN模型分类器
DNNLinear组合分类器的使用
DNN回归模型
DNN模型的回归器

如何导出estimator

TensorFlow解析Example
TensorFlow分类头的输出设置

TensorFlow怎么使用gfile模块

将TensorFlow文件数据复制到新路径
文件I/O包装器
TensorFlow如何使用GFile类
TensorFlow返回模式匹配文件列表

TensorFlow的graph_util模块

TensorFlow如何用常量替换变量
如何操作TensorFlow张量图的节点

TensorFlow 功能函数

TensorFlow 计算张量的绝对值
TensorFlow 返回张量列表的元素和
TensorFlow 计算张量元素的 acos
TensorFlow 计算张量的和
TensorFlow check_numerics操作
TensorFlow 添加张量元素
TensorFlow 包装Graph.add_to
TensorFlow 梯度组合
TensorFlow 返回张量的最大值索引
TensorFlow 返回张量的最小值索引
TensorFlow 返回张量维度上最大值的索引
TensorFlow 返回张量维度上最小值的索引
TensorFlow 计算asin中的元素
TensorFlow中Assert相关函数说明
TensorFlow中assign函数说明
TensorFlow 将给定的 type_value 转换为 DType
TensorFlow 将给定张量的条目转换为字符串
TensorFlow 计算元素的反正切
TensorFlow AttrValue类
TensorFlow BatchToSpace的使用
TensorFlow 计算正则化的不完全beta积分
TensorFlow 计算整数数组值出现的次数
TensorFlow 张量类型转换
TensorFlow 在张量上应用布尔掩码
TensorFlow 返回广播形状
TensorFlow 创建case
TensorFlow 张量投射
使用ceil返回不下于x的最小整数
TensorFlow检查NaN和Inf值的张量
TensorFlow计算方阵的Cholesky分解
将TensorFlow张量值剪辑到最大平均L2-norm
TensorFlow通过规范总和的比例剪切张量的值
将TensorFlow张量值剪辑到最大 L2-norm
剪辑TensorFlow张量为指定的最大值和最小值
如何将TensorFlow的实数转换为复数
将TensorFlow张量沿一个维度串联
tf.cond函数的使用
TensorFlow聚合梯度的条件累加器
如何使用ConditionalAccumulatorBase
TensorFlow如何计算混淆矩阵
如何使用conj
在TensorFlow中使用constant函数
TensorFlow使用初始化器生成具有常量值的张量
container的使用
control_dependencies的使用
TensorFlow将给定值转换为张量
TensorFlow将给定的对象转换为张量或IndexedSlices
TensorFlow将值转换为SparseTensor或张量
计算TensorFlow元素的cos值
TensorFlow元素的双曲余弦
计算TensorFlow中非零元素的个数
TensorFlow对ref进行递增
TensorFlow怎么创建分区变量列表
计算张量沿轴的累积积
TensorFlow张量的累积和
TensorFlow字符串解码
TensorFlow CSV转换
JSON编码的示例记录转换
TensorFlow将raw格式转换为张量
TensorFlow数据从深度排列为空间数据块
反量化TensorFlow张量
TensorFlow设备规范
使用diag返回对角张量
TensorFlow如何返回对角线
TensorFlow除法运算
使用Dimension类
TensorFlow张量的元素类型
TensorFlow分区索引的使用
如何插入TensorFlow数据张量的值
计算TensorFlow序列之间的编辑距离
TensorFlow如何实现张量收缩
TensorFlow实现字符串编码
怎么使用equal函数
TensorFlow误差函数计算
计算TensorFlow元素的指数
如何在TensorFlow张量形状中插入维度
构造TensorFlow的单位矩阵
怎么对TensorFlow进行假量化
TensorFlow快速傅里叶变换
利用标量值填充TensorFlow张量
TensorFlow怎么解析固定长度输入功能
TensorFlow从文件中输出记录的读取器
如何将TensorFlow输入特征解析为张量
如何使用TensorFlow的floor函数
TensorFlow函数:tf.floormod
TensorFlow高阶函数:tf.foldl
TensorFlow张量变换函数:tf.gather
TensorFlow函数:tf.gather_nd
TensorFlow函数:get_collection
default函数
TensorFlow函数:get_session_handle
TensorFlow变量函数:tf.get_local_variable
tf.get_variable函数
TensorFlow全局函数:tf.global_norm
使用global_variables获取全局变量
TensorFlow初始化器:tf.glorot_normal_initializer
TensorFlow梯度计算:tf.gradients
tf.GraphKeys函数
TensorFlow比较函数:tf.greater
TensorFlow流程控制函数:tf.group
Hessian函数
TensorFlow逆向快速傅里叶变换函数
Gamma函数
TensorFlow复数函数:tf.imag
TensorFlow图形处理函数:tf.import_graph_def
TensorFlow函数:IndexedSlices
tf.invert_permutation:张量的逆置换
TensorFlow使用isnan函数
TensorFlow数学函数:tf.lbeta
TensorFlow函数:tf.less
TensorFlow函数:tf.lin_space
LMDB文件读取器
加载TensorFlow插件的函数
TensorFlow局部变量:tf.local_variables
tf.log:计算TensorFlow的自然对数
TensorFlow函数:logical
TensorFlow变量函数:tf.make_template
创建TensorProto
TensorFlow:tf.map_fn函数
TensorFlow:tf.matching_files函数
TensorFlow:tf.matmul函数
TensorFlow矩阵数学函数:tf.matrix_band_part
TensorFlow计算方阵行列式的函数
TensorFlow:tf.matrix_diag函数
TensorFlow:tf.matrix_inverse函数
TensorFlow函数:tf.matrix_set_diag
TensorFlow函数:tf.matrix_solve
TensorFlow函数:tf.matrix_solve_ls
TensorFlow函数:tf.matrix_transpose
TensorFlow函数:tf.matrix_triangular_solve
TensorFlow数学函数:tf.maximum
TensorFlow张量变换:tf.meshgrid
TensorFlow数学函数:tf.minimum
TensorFlow变量:tf.min_max_variable_partitioner
multinomial函数:从多项式分布中抽取样本
TensorFlow构建图形:tf.name_scope函数
TensorFlow函数:tf.negative
TensorFlow范数:tf.norm函数
TensorFlow比较运算符:tf.not_equal
TensorFlow函数:tf.ones
TensorFlow函数:tf.ones_initializer
TensorFlow函数:tf.ones_like
tf.one_hot函数:返回one-hot张量
TensorFlow函数:tf.OpError
tf.orthogonal_initializer函数:正交矩阵的初始化器
TensorFlow填充张量函数:tf.pad
TensorFlow函数:tf.parallel_stack
解析Example原型:tf.parse_single_example
TensorFlow占位符:tf.placeholder
TensorFlow函数:tf.parse_example
TensorFlow函数:解析SequenceExample原型
TensorFlow占位符操作:tf.placeholder_with_default
TensorFlow幂值计算函数:tf.pow
tf.Print函数:打印张量列表
包装用于TensorFlow操作的Python函数
tf.qr函数:计算矩阵的QR分解
TensorFlow函数:tf.quantized_concat
TensorFlow张量变换函数:tf.quantize_v2
TensorFlow函数:tf.random_crop
TensorFlow队列函数:tf.QueueBase
TensorFlow函数:tf.random_gamma
TensorFlow随机值:tf.random_normal函数
tf.random_normal_initializer:TensorFlow初始化器
TensorFlow函数:tf.random_poisson
TensorFlow函数:tf.random_shuffle
TensorFlow随机值函数:tf.random_uniform
TensorFlow函数:tf.random_uniform_initializer
tf.range函数:创建数字序列
tf.rank函数:返回TensorFlow张量的秩
TensorFlow读取器基类:tf.ReaderBase
TensorFlow函数:tf.real
tf.realdiv函数:x/y元素的实数类型
用于计算倒数的tf.reciprocal函数
tf.reduce_all函数:计算张量在维度上的逻辑和
TensorFlow函数:tf.reduce_any
tf.reduce_join函数:添加字符串张量
TensorFlow函数:tf.reduce_logsumexp
TensorFlow函数:tf.reduce_max
TensorFlow函数:tf.reduce_mean
TensorFlow函数:tf.reduce_min
TensorFlow函数:tf.reduce_prod
TensorFlow函数:tf.reduce_sum
TensorFlow函数:tf.RegisterGradient
TensorFlow函数:将base_type的对象转换为Tensor
TensorFlow:tf.report_uninitialized_variables函数
TensorFlow函数:如何计算填充
TensorFlow:tf.reset_default_graph函数
TensorFlow:使用tf.reshape函数重塑张量
TensorFlow:tf.reverse函数
TensorFlow函数:tf.reverse_sequence
tf.reverse_v2函数:反转张量的特定维度
TensorFlow:tf.rint函数
TensorFlow四舍五入:tf.round函数
tf.rsqrt函数:TensorFlow平方根倒数计算
TensorFlow函数:tf.RunOptions
TensorFlow函数:tf.saturate_cast
TensorFlow数学函数:tf.scalar_mul
TensorFlow函数:tf.scatter_nd
TensorFlow变量函数:tf.scatter_nd_add
TensorFlow:tf.scatter_nd_sub函数
TensorFlow函数:tf.scatter_nd_update
TensorFlow函数:tf.scatter_sub
tf.scatter_update函数:将稀疏更新应用于变量引用
tf.segment_max函数:计算一个张量的最大沿段
TensorFlow:tf.segment_mean函数
TensorFlow:tf.segment_min函数
TensorFlow:tf.segment_prod函数
TensorFlow数学函数:tf.segment_sum函数
TensorFlow数学函数:tf.self_adjoint_eig
TensorFlow数学函数:tf.self_adjoint_eigvals
TensorFlow张量变换函数:tf.sequence_mask
TensorFlow:tf.serialize_many_sparse 函数
TensorFlow:tf.serialize_sparse函数
TensorFlow:tf.serialize_tensor函数
TensorFlow数学函数:tf.setdiff1d
TensorFlow随机张量:tf.set_random_seed函数
TensorFlow:tf.Session函数
TensorFlow张量变换函数:tf.shape
TensorFlow:tf.shape_n函数
TensorFlow神经网络:tf.sigmoid函数
TensorFlow数学函数:tf.sign
TensorFlow数学函数:tf.sin函数
TensorFlow数学函数:tf.sinh函数
TensorFlow张量变换:tf.size
TensorFlow分割:tf.slice函数
TensorFlow:tf.space_to_batch函数
TensorFlow张量变换:tf.space_to_batch_nd函数
TensorFlow:tf.space_to_depth函数
TensorFlow:tf.SparseConditionalAccumulator函数
TensorFlow函数:tf.SparseFeature
TensorFlow稀疏张量函数:tf.SparseTensor
TensorFlow函数:tf.SparseTensorValue

TensorFlow的MNIST手写数字分类问题

TensorFlow的MNIST手写数字分类问题 基础篇
TensorFlow的MNIST手写数字分类问题 进阶篇

TensorFlow 附录

TensorFlow定义模块
TensorFlow定义支持熵的操作
TensorFlow定义基本算数运算符
TensorFlow定义张量连接到CheckNumericsOp
TensorFlow定义实现梯度计算的图生成
TensorFlow定义控制流程操作
TensorFlow定义断言和布尔检查
TensorFlow定义变量类
TensorFlow定义Cudnn RNN操作
TensorFlow定义变量
TensorFlow定义支持张量的操作
TensorFlow定义dtypes库
TensorFlow定义attr值
TensorFlow定义通用入口点脚本
TensorFlow定义Python2与3兼容性的函数
TensorFlow定义Python包装器用于数据集和迭代器
定义TensorFlow错误的异常类型
TensorFlow定义错误的异常类型(详细)
TensorFlow定义线性代数运算
TensorFlow定义剪辑(梯度,重量)张量到最小/最大值的操作
TensorFlow定义支持操作张量
TensorFlow定义数据流操作
TensorFlow定义与混淆矩阵相关的实用程序
TensorFlow定义生成常量的操作
TensorFlow定义用于初始化张量的操作
TensorFlow定义用于构造图形的类和函数
TensorFlow定义用于构造图形的类和函数
TensorFlow定义操作整数的二进制表示
TensorFlow定义创建分区变量的函数
TensorFlow协议缓冲区示例
TensorFlow用于描述输入数据的协议消息的机器学习示例
TensorFlow定义estimator
TensorFlow如何解析函数
如何定义深层神经网络estimators
TensorFlow不同类型export输出的类
TensorFlow如何添加Linear和DNN估算器训练模型
TensorFlow如何使用类表示设备
TensorFlow服务时间内的接收设置
用于TensorFlow张量形状推理的帮助类
TensorFlow使用dtype库
TensorFlow如何避免循环依赖
如何导入file_io的路由器
TensorFlow如何在Python中操作张量图
TensorFlow张量图帮助器
包装C++ FileSystem API的文件IO方法
TensorFlow如何解析操作
TensorFlow中输入和读取器该如何定义
TensorFlow定义函数操作
Handle操作
命名变量存储和管理共享的范围运算符
用于导入TensorFlow图的实用函数
定义用于加载TensorFlow插件的功能
TensorFlow提供允许变量共享的模板
TensorFlow生成随机数操作
TensorFlow定义记录和汇总操作
TensorFlow如何定义脚本语言运算符
什么是Broadcasting
用于字符串张量的TensorFlow操作
为TensorFlow定义config.proto
TensorFlow稀疏张量表示
TensorFlow图形级seed操作
TensorFlow客户端界面

关闭