标签：得分 max TensorFlow 函数 基本原理 张量 计算 深度 tensorflow
tensorflow：TensorFlow是一个通过计算图的形式来表述计算的编程系统——TensorFlow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。
在TensorFlow中，张量可以被简单理解为多维数组。
Flow：流、飞。直接表达了张量之间通过计算相互转化的过程
张量是TensorFlow管理数据的形式。在TensorFlow中，所有的数据都是通过张量的形式来表示。从功能的角度上看，张量可以简单理解为多维数组。其中
零阶张量表示标量，也就是一个数
一阶张量表示向量，也就是一个一维数组
N阶张量可以理解为一个N维数组
TensorFlow程序通常被组织成一个构建阶段和一个执行阶段。在构建阶段，op 的执行步骤被描述成一个图。在执行阶段，使用会话执行执行图中的op。图必须在会话（Session）里被启动。
TensorFlow 基本用法分为以下五步：
1.将计算流程表示成图；
2.通过Sessions来执行图计算；
3.将数据表示为tensors；
4.使用Variables来保持状态信息；
5. 分别使用feeds和fetches来填充数据和抓取任意的操作结果
得分函数：得分函数就是对于给定的一个输入，通过计算，得到这个输入属于每种类别的得分。
下面我们来介绍一下损失函数：
我们根据得分函数计算出每个输入的类别得分如下：
对于小猫图片的这个输入来说，用的正确分类的分3.2与其它错误分类的得分5.1和-1.7求差值，再把求得的差值和0进行对比，如果大于0就加在最终的LOSS值上，这里的+1这个数值代表了我们的满意程度，值越大代表要求越高。
所以小猫的损失函数=max(0,5.1-3.2+1)+max(0,-1.7-3.2+1)=max(0,2.9)+max(0,-3.9)=2.9+0=2.9。
对于预测结果为frog时，得分为-1.7和cat的得分相比，这时的预测结果是正确的，所以值为0。
softmax或称归一化指数函数，是逻辑函数的一种推广。它能将一个含任意实数的K维向量
“压缩”到另一个K维实向量中，使得每一个元素的范围都在之间，并且所有元素的和为1
sigmoid函数:
它可以很好的表示机器学习中的预测问题，对于一个预测问题我们想要得到一个0或1的答案，但是很多输出的数据结果并不是0或1，也许会是0.7，我们用这个函数曲线来进行预测，将输入数据代入到sigmoid函数中，得到一个在这个光滑曲线上的某个点，若该点大于0.5，认为事件的概率为1，小于，则为0。
RELU激活函数:是一种人工神经网络中常用的激活函数，通常意义下，其指代数学中的斜坡函数，即
f ( x ) = max ( 0 , x )
drop-out ：Dropout 层一般加在全连接层 防止过拟合 提升模型泛化能力。
第一个tensorflow程序
首先导入tensorflow包
定义两个常量矩阵
c=a*b
输出c
随机生成高斯随机数
填充数据
标签：得分,max,TensorFlow,函数,基本原理,张量,计算,深度,tensorflow 来源： https://blog.csdn.net/lovekobe1997/article/details/114391285
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。