使用图 (graph) 来表示计算任务.
在被称之为 会话 (Session) 的上下文 (context) 中执行图.
使用 tensor 表示数据.
通过 变量 (Variable) 维护状态.
使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.
综述
TensorFlow 是一个编程系统, 使用图来表示计算任务. 图中的节点被称之为 op
(operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算,
产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组.
例如, 你可以将一小组图像集表示为一个四维浮点数数组,
这四个维度分别是 [batch, height, width, channels].
一个 TensorFlow 图描述了计算的过程. 为了进行计算, 图必须在 会话 里被启动.
会话 将图的 op 分发到诸如 CPU 或 GPU 之类的 设备 上, 同时提供执行 op 的方法.
这些方法执行后, 将产生的 tensor 返回. 在 Python 语言中, 返回的 tensor 是
numpy ndarray 对象; 在 C 和 C++ 语言中, 返回的 tensor 是
tensorflow::Tensor 实例.
调用时,代码如下:
y即为输出的结果。
github传送门:symphonypy/valified_code_classify
一个识别非常简单的验证码的程序
保存训练好的模型的代码如下:
训练完一个模型后,为了以后重复使用,通常我们需要对模型的结果进行保存。如果用tensorflow去实现神经网络,所要保存的就是神经网络中的各项权重值。建议可以使用saver类保存和加载模型的结果。
1、使用tf.train.saver.save()方法保存模型
tf.train.saver.save(sess, save_path, global_step=none, latest_filename=none, meta_graph_suffix='meta', write_meta_graph=true, write_state=true)
2、使用tf.train.saver.restore方法价值模型
tf.train.saver.restore(sess, save_path)