深度学习利器：TensorFlow系统架构及高性能程序设计

b2 = tf.Variable(tf.constant(0.0, shape=[8]))

a = tf.nn.tanh(tf.nn.bias_add(tf.matmul(x, w1), b1))

y_out = tf.nn.tanh(tf.nn.bias_add(tf.matmul(a, w2), b2), name="y_out")

cost = tf.reduce_sum(tf.square(y-y_out), name="cost")

optimizer = tf.train.AdamOptimizer().minimize(cost, name="train")

#定义变量初始化操作

init = tf.initialize_variables(tf.all_variables(), name='init_all_vars_op')

#把图模型转换为Protobuf文件

tf.train.write_graph(sess.graph_def, './', 'mlp.pb', as_text=False)

下面为应用C++ API加载Protobuf图模型，并履行练习的示例：

#include "tensorflow/core/public/session.h" 
#include "tensorflow/core/graph/default_device.h" 
using namespace tensorflow; 
 
int main(int argc, char* argv[]) { 
    //Protobuf模型文件名 
    std::string graph_definition = "mlp.pb"; 
    //Tensorflow Sesssion 
    Session* session; 
 
    //定义图模型对象 
    GraphDef graph_def; 
    SessionOptions opts; 
 
    //存储Session会话的运行结不雅 
    std::vector<Tensor> outputs;  
 
    #加载Protobuf模型文件到图模型对象中 
    TF_CHECK_OK(ReadBinaryProto(Env::Default(), graph_definition, &graph_def)); 
 
    // 默认在gpu 0上履行模型的练习操作 
    graph::SetDefaultDevice("/gpu:0", &graph_def); 
 
    //设定GPU显存应用参数 
    opts.config.mutable_gpu_options()->set_per_process_gpu_memory_fraction(0.5); 
    opts.config.mutable_gpu_options()->set_allow_growth(true); 
 
    //创建TensorFlow会话 
    TF_CHECK_OK(NewSession(opts, &session)); 
 
    // 加载图对象到会话中 
    TF_CHECK_OK(session->Create(graph_def)); 
 
    // 履行模型参数初始化操作 
	
			 3/5   首页 上一页 1 2 3 4 5 下一页 尾页	
			

　　推荐阅读
　　别只盯着SD-WAN了，关注一下IPv6吧
物联网(IOT)正大年夜根本上改变着科技与我们日常生活的接洽。大年夜可追踪活动状况的穿戴设备到赞助我们节能的智能恒温器，毋庸置疑物联网晋升了我们的生活品德。在企业中，物联网经由过程主动简化营业，发掘新的营业>>>详细阅读


本文标题：深度学习利器：TensorFlow系统架构及高性能程序设计
地址：http://www.17bianji.com/lsqh/34926.html
 1/2    1