标签：TensorFlow2 Layer Tensor keras Graph 模型 张量 tf
张量Tensor、图Graph、操作Operation、会话Session
张量Tensor是TensorFlow的基本数据结构。张量在概念上等同于多维数组，Tensorflow的张量和numpy中的array很类似。从行为特性来看，有两种类型的张量，常量constant张量和变量Variable张量。.
接下来看这张图：
如图所示，张量[5, 3]进入节点a，分别流向了节点b、c进行prod和sum两个操作，结果15和8又同时流入节点d进行add操作，最后输出结果23。由此发现，图Graph实际上是一个由数据流图表示的计算过程，即张量Tensor在图Graph中的流动过程。而每一个节点便对应一个操作Operation。
包括生成张量Tensor在内，上图包括abcd四个操作，代码表示为：
import tensorflow as tf
a = tf.constant([5, 3], name='input_a')
b = tf.reduce_prod(a, name='prod_b')
c = tf.reduce_sum(a, name='sum_c')
d = tf.add(b, c, name='add_d')
再提一下会话Session，其作用是分配CPU或GPU资源来运行一张图Graph。一个会话Session的目的简单来说就是操作Operation的执行和张量Tensor的计算。
需要注意的是，TensorFlow2.0版本后已经取消了Session模块，并且不需要新建图Graph再新建会话Session来运行，便可以像普通Python代码一样运行 。这种模式便是“动态图模式”，即所谓的Eager Excution。
模型Model与层Layer
层Layer将各种计算流程和变量进行了封装（例如基本的全连接层，CNN 的卷积层、池化层等），而模型Model则将各种层进行组织和连接，并封装成一个整体，描述了如何将输入数据通过各种层以及运算而得到输出。
在 TensorFlow 中，通常使用 Keras（ tf.keras ）构建模型。Keras 是一个广为流行的高级神经网络 API，简单、快速而不失灵活性，现已得到 TensorFlow 的官方内置和全面支持。
Keras 在 tf.keras.layers 下内置了深度学习中大量常用的的预定义层，同时也允许我们自定义层。
Keras 模型以类的形式呈现，我们可以通过继承 tf.keras.Model 这个 Python 类来定义自己的模型。在继承类中，我们需要重写 init()（构造函数，初始化）和 call(input) （模型调用）两个方法，同时也可以根据需要增加自定义的方法。
模型类定义示意图：
代码示意：
class MyModel(tf.keras.Model):
def __init__(self):
super().__init__() # Python 2 下使用 super(MyModel, self).__init__()
# 此处添加初始化代码（包含 call 方法中会用到的层），例如
# layer1 = tf.keras.layers.BuiltInLayer(...)
# layer2 = MyCustomLayer(...)
def call(self, input):
# 此处添加模型调用的代码（处理输入并返回输出），例如
# x = layer1(input)
# output = layer2(x)
return output
# 还可以添加自定义的方法
标签：TensorFlow2,Layer,Tensor,keras,Graph,模型,张量,tf 来源： https://www.cnblogs.com/xhltk316/p/14849263.html
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。