Tensorflow [2]: feed_dict no se incluye necesariamente con el marcador de posición

Tensorflow Feed_dict Is Not Necessarily Bundled With Placeholder

El concepto de diseño de Tensorflow se llama gráfico de flujo computacional. Al escribir un programa, primero construya el gráfico de todo el sistema, el código no tendrá efecto directamente. Esto es diferente de otras bibliotecas de cálculo numérico (como Numpy) en Python. El gráfico es estático. , similar a la imagen en la ventana acoplable. Luego, en el tiempo de ejecución real, se inicia una sesión y el programa se ejecutará realmente. La ventaja de hacer esto es evitar cambiar repetidamente el contexto en el que realmente se ejecuta el programa subyacente, y tensorflow le ayuda a optimizar el código para todo el sistema. Sabemos que la capa inferior de muchos programas de Python es el lenguaje C u otros lenguajes. Para ejecutar un script, es necesario cambiar una vez. Es costoso. Tensorflow puede ayudarlo a optimizar el código que debe ejecutarse en toda la sesión calculando el gráfico de flujo. Ventaja.
tiene muchas cosas imaginarias, y luego presenta al protagonista de este artículo: feed_dict. Cuando aprendí tensorflow por primera vez, pensé que feed_dict estaba emparejado con el marcador de posición. Por ejemplo, el siguiente código ilustra el uso básico de feed_dict:

|_+_|

Bien, de hecho, feed_dict puede enviar cosas a otros tensores, no solo a marcadores de posición. Por ejemplo, el siguiente código:

|_+_|

El resultado de la ejecución es 4, donde se le da 3.0 al tensor b usando feed_dict.
En resumen, conocer este principio es muy útil para comprender la recuperación de modelos. El sistema de aprendizaje automático está acompañado por el flujo de tensor (el significado de tensorflow es que, red neuronal, etc., es en realidad la transformación lineal y la activación no lineal del tensor), quizás, solo obtenemos el tensor medio. Por ejemplo, si está haciendo un trabajo de clasificación de imágenes, durante el proceso de entrenamiento, el marcador de posición del mapa es una matriz de píxeles de cualquier tamaño, pero cuando restaura el modelo, ya hay un tensor de píxeles de imagen preprocesado, entonces puede hacerlo directamente. se puede importar al tensor correspondiente, siempre que se conozca el nombre o símbolo del tensor correspondiente. En este caso, es posible que deba utilizar la función tf.get_tensor_by_name. El uso flexible de feed_dict también puede reflejar la comprensión del pensamiento gráfico.



Si hay algo mal, avise al dios. Indique la fuente, gracias.