但是Tensorflow并非如此。因其具有符号性，Tensorflow可以隐藏所有这些复杂性，可轻松地将程序扩展到多个CPU和GPU。 例如在CPU上对两个向量相加示例。 同样也可以在GPU上完成。

其中只有处理的过程会涉及tensorflow，而本文主要介绍tensorflow处理的过程。所以需要依附于具体的app...

Tensorflow Tensorflow 是一个使用数据流图 (data flow graphs) 技术来进行数值计算的开源软件库。

作为第一次安装TensorFlow的小白，在安装的过程中碰到了很多问题，经过多次尝试才安装成功，现将安装过程中学习总结到的经验分享出来，供大家参考。

0x00 摘要 本文以下面两篇官方文档为基础来学习TensorFlow 如何进行分布式训练： https://tensorflow.google.cn/guide/distributed_training

在打开的面板中依次输入 conda create --name tf2.0.0rc1 python=3.7 回车 conda activate tf2.0.0rc1 回车 //pip install tensorflow

一.引言 使用 Java Tensorflow API 调用 pb 模型执行推理逻辑，之前一直使用 CPU，近期尝试 GPU 推理，下面记录一下踩坑的过程...

tensorflow支持14种不同的类型，主要包括： 实数：tf.float32 tf.float64 整数：tf.int8 tf.int16 tf.int32 tf.int64 tf.unit8 布尔

张量: 多维数组(列表) 阶: 张量的维数 例 import tensorflow as tf a = tf.constant([[1.9, 2.0]]) b = tf.constant([[3.9],

mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 我下载的是3-4.2.0的版本的 全选带钩进行安装 打开 创建镜像 在Anaconda Prompt，创建一个python3.6的环境，环境名称为tensorflow

预备工具 1.1 说明 编译过程有点坑，而且耗时，如果不是必须要编译的话，可以去 https://github.com/fo40225/tensorflow-windows-wheel 下载,有现成的轮子

TensorFlow Probability是一个构建在TensorFlow之上的Python库。它将我们的概率模型与现代硬件(例如GPU)上的深度学习结合起来。

前言 本文假设大家对CNN、softmax原理已经比较熟悉，着重点在于使用Tensorflow对CNN的简单实践上。

实验目的 1.掌握使用TensorFlow进行逻辑回归 2.掌握逻辑回归的原理 实验原理 逻辑回归是机器学习中很简答的一个例子，这篇文章就是要介绍如何使用tensorflow实现一个简单的逻辑回归算法。

1.tensorflow的运行流程 tensorflow的运行流程主要有2步，分别是构造模型和训练。 在构造模型阶段，我们需要构建一个图(Graph)来描述我们的模型。

也许你已经下载了TensorFlow，而且准备开始着手研究深度学习。但是你会疑惑：TensorFlow里面的Tensor，也就是“张量”，到底是个什么鬼？也许你查阅了维基百科，而且现在变得更加困惑。

TensorFlow系统架构 TensorFlow设计十分精巧，基于分层和模块化的设计思想进行开发的。框架如下图 整个框架以C API为界，分为前端和后端两大部分。

本文主要探索如何使用深度学习框架 MXNet 或 TensorFlow 实现线性回归模型？并且以 Kaggle 上数据集 USA_Housing 做线性回归任务来预测房价...

1.placeholder 占位符 可以通过run方法传入值 测试代码如下： 1 # encoding:utf-8 2 3 import tensorflow as tf 4 5 # placeholder

checkpoint 文件夹 Tensorflow训练后的模型可以保存checkpoint文件，checkpoint文件是结构与权重分离的四个文件，便于训练。