二月三号博客

今天学习深度学习了解一下他的发展史以及跟机器学习的区别，并且运行了tensorflow下的加法运算

笔记

深度学习与机器学习的区别：
特征提取方面：
　　机器学习：需要大量的领域专业知识。
　　深度学习：由多层的简单模型组成，通过大量的数据自动得出模型，不需要人工特征提取。
数据量和计算性能方面：
　　深度学习需要的数据量大，性能要求高。
代表算法：
　　机器学习：朴素贝叶斯，决策树等
　　深度学习：神经网络
基于tensorflow的深度学习
tensorflow的组成：
图
会话
张量
变量

加法代码：

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'


def tensorflow_demo():
    """
    TensorFlow的基本结构
    :return:
    """
    # 原生python加分运算
    a = 2
    b = 3
    c = a + b
    print("普通的加法运算：
",c)

    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t+b_t
    print("普通的加法运算：
", c_t)

    # 开启会话
    with tf.compat.v1.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:
",c_t_value)
    return None

def graph_demo():
    """
    图的演示
    :return:
    """
    # TensorFlow实现加法运算
    a_t = tf.constant(2)
    b_t = tf.constant(3)
    c_t = a_t + b_t
    print("普通的加法运算：
", c_t)

    # 查看默认图
    # 方法1：调用方法
    default_g = tf.compat.v1.get_default_graph()
    print("default_g:
",default_g)

    # 方法2：查看属性
    print("a_t的图属性：
",a_t.graph)

    # 开启会话
    with tf.compat.v1.Session() as sess:
        c_t_value = sess.run(c_t)
        print("c_t_value:
", c_t_value)
        print("c_t_value的图属性：
", sess.graph)
    return None

if __name__ == "__main__":
    graph_demo()

加法运行截图