隨著無人駕駛的火爆，深度學習在無人駕駛中的應用受到廣泛關注，我在工作中對此有所接觸，因此進行了相關學習和整理，給大家大家可以參考。

TensorFlow深度學習框架

TensorFlow基本概念

1.TensorFlow計算模型——計算圖

• Tensor：張量，可以簡單理解為多維數組

• flow：流，張量間通過計算相互轉化過程

• TensorFlow是一個通過

  計算圖

  形式來描述編程的系統。每一個計算都是計算圖上的一個節點，節點之間的邊描述了計算間的依賴關係。

計算圖的使用

Tensorflow程序分為兩個階段：

1. 定義計算圖中的所有計算

2. 執行計算

系統會自動維護一個默認的計算圖，通過tf.get_default_graph函數獲取當前默認的計算圖

2.TensorFlow數據模型——張量

張量是Tensorflow管理數據的形式，功能上可以理解為多維數組。

• 0階張量：標量（scalar）也就是一個數

• 第一階張量：向量（vector），也就是一維數組

• 第n階張量：n維數組。

張量中並未保存真正的數組，其保存如何計算這些數字的計算過程。例如：

一個張量主要保存3個屬性：

• 名字（name）：一個張量的唯一標識，同時給出張量如何計算的。通過

  node:src_output

  形式給出。node為節點名稱，srcoutput為當前張量來為節點的第幾個輸出。例如：add：0表示result張量是計算節點add輸出的第一個結果

• 維度（shape）：shape=(2,)說明以為數組，數組長度為2

  Advertisements

• 類型（type）：每個張量會有唯一的類型

3.TensorFlow運行模型——會話

TensorFlow通過會話（Session）的方式執行定義好的運算，擁有並管理運行時的所有資源。 會話使用模式2種：

1. 明確調用會話生成函數和關閉會話函數：

2.通過上下文管理器使用會話：

Tensorflow不會自動生成默認會話，需要手動指定

sess = tf.Session()with sess.as_default(): print(result.eval()

tf.Tensor.eval()函數計算一個張量的取值

4.神經網路參數和Tensorflow變數

tf.Variable()： 保存和更新網路中的參數

weights = tf.Variable(tf.random_normal([2,3], stddev=2)) 生成2x3矩陣，元素是均值為0，標準差為2的隨機數

• TensorFlow隨機數生成函數

• TensorFlow常數生成函數

tf.initialize_all_variables()函數初始化所有變數

小結

1. 計算圖是Tensorflow的計算模型，所有程序都會通過計算圖的形式展現；

2. 計算圖每一個節點都是一個運算，計算圖的邊表示運算間的數據傳遞關係；

3. 計算圖保存運行每個運算的設備信息（CPU？GPU）以及運算間的依賴關係；

4. 張量是TensorFlow的數據模型，所有運算的輸入、輸出都是張量；

5. 張量本身不存儲任何數據，只是對運算結果的引用

6. 會話是Tensorflow的運算模型，其管理程序擁有的系統資源，所有的運算都通過會話執行