随着无人驾驶的火爆，深度学习在无人驾驶中的应用受到广泛关注，我在工作中对此有所接触，因此进行了相关学习和整理，给大家大家可以参考。

TensorFlow深度学习框架

TensorFlow基本概念

1.TensorFlow计算模型——计算图

• Tensor：张量，可以简单理解为多维数组

• flow：流，张量间通过计算相互转化过程

• TensorFlow是一个通过

  计算图

  形式来描述编程的系统。每一个计算都是计算图上的一个节点，节点之间的边描述了计算间的依赖关系。

计算图的使用

Tensorflow程序分为两个阶段：

1. 定义计算图中的所有计算

2. 执行计算

系统会自动维护一个默认的计算图，通过tf.get_default_graph函数获取当前默认的计算图

2.TensorFlow数据模型——张量

张量是Tensorflow管理数据的形式，功能上可以理解为多维数组。

• 0阶张量：标量（scalar）也就是一个数

• 第一阶张量：向量（vector），也就是一维数组

• 第n阶张量：n维数组。

张量中并未保存真正的数组，其保存如何计算这些数字的计算过程。例如：

一个张量主要保存3个属性：

• 名字（name）：一个张量的唯一标识，同时给出张量如何计算的。通过

  node:src_output

  形式给出。node为节点名称，srcoutput为当前张量来为节点的第几个输出。例如：add：0表示result张量是计算节点add输出的第一个结果

• 维度（shape）：shape=(2,)说明以为数组，数组长度为2

• 类型（type）：每个张量会有唯一的类型

3.TensorFlow运行模型——会话

TensorFlow通过会话（Session）的方式执行定义好的运算，拥有并管理运行时的所有资源。 会话使用模式2种：

1. 明确调用会话生成函数和关闭会话函数：

2.通过上下文管理器使用会话：

Tensorflow不会自动生成默认会话，需要手动指定

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

tf.Tensor.eval()函数计算一个张量的取值

4.神经网络参数和Tensorflow变量

tf.Variable()： 保存和更新网络中的参数

weights = tf.Variable(tf.random_normal([2,3], stddev=2)) 生成2x3矩阵，元素是均值为0，标准差为2的随机数

• TensorFlow随机数生成函数

• TensorFlow常数生成函数

tf.initialize_all_variables()函数初始化所有变量

小结

1. 计算图是Tensorflow的计算模型，所有程序都会通过计算图的形式展现；

2. 计算图每一个节点都是一个运算，计算图的边表示运算间的数据传递关系；

3. 计算图保存运行每个运算的设备信息（CPU？GPU）以及运算间的依赖关系；

4. 张量是TensorFlow的数据模型，所有运算的输入、输出都是张量；

5. 张量本身不存储任何数据，只是对运算结果的引用

6. 会话是Tensorflow的运算模型，其管理程序拥有的系统资源，所有的运算都通过会话执行