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：\n",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：\n", c_t) # 开启会话 with tf.compat.v1.Session() as sess: c_t_value = sess.run(c_t) print("c_t_value:\n",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：\n", 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:\n",default_g) # 方法2：查看属性 print("a_t的图属性：\n",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:\n", c_t_value) print("c_t_value的图属性：\n", sess.graph) return None if __name__ == "__main__": graph_demo()
加法运行截图
原文：https://www.cnblogs.com/goubb/p/12257955.html