深度学习利器：TensorFlow系统架构及高性能程序设计

TF_CHECK_OK(session->Run({}, {}, {"init_all_vars_op"}, nullptr));

//定义模型输入数据，包含数据类型和维度信息

Tensor x(DT_FLOAT, TensorShape({100, 32}));

Tensor y(DT_FLOAT, TensorShape({100, 8}));

//把Tensor转换为矩阵，并初始化Tensor数据

auto _XTensor = x.matrix<float>();

auto _YTensor = y.matrix<float>();

_XTensor.setRandom();

_YTensor.setRandom();

for (int i = 0; i < 10; ++i) {

//履行模型的练习操作，{{"x", x}, {"y", y}}表示输入数据Tensor名称和Tensor对象；{"cost"}表示要获取输出值的操作名称；&outputs表示履行"cost"操作后返回的Tensor对象

TF_CHECK_OK(session->Run({{"x", x}, {"y", y}}, {"cost"}, {}, &outputs));

//获取履行“cost“操作后的运算结不雅

float cost = outputs[0].scalar<float>()(0);

std::cout << "Cost: " << cost << std::endl;

//履行"train"操作

TF_CHECK_OK(session->Run({{"x", x}, {"y", y}}, {}, {"train"}, nullptr)); // Train

outputs.clear();

}

//封闭Session及删除Session对象

session->Close();

delete session;

return 0;

}

当C++法度榜样写好后，编译时刻须要链接的头文件，开源已经帮我们整顿好了，存放于目次/usr/lib/python2.7/site-packages/tensorflow/include下。编译和运行的时刻须要链接libtensorflow_cc.so，可以按照下面的方法编译该库文件：bazel build -c opt //tensorflow:libtensorflow_cc.so –copt=-m64 –linkopt=-m64 –spawn_strategy=standalone –genrule_strategy=standalone –verbose_failures。具体可参考TensorFlow源代码的官方编译文档。

为了采取C++ API进行模型练习，我们起首须要编写练习模型，这个编写过程可以采取Python说话来完成。我们起首采取Python API编写练习模型，然后把图模型转换为Protobuf的序列化文件。接着经由过程C++ API加载该模型文件，创建TensorFlow Session，初始化模型变量，以及加载练习数据并履行神经收集练习。法度榜样架构如下图所示：

总结

本文起首回想了TensorFlow 1.0重要新特点及TensorFlow 2017 Dev Summit的重要议程。到今朝为止TensorFlow的GitHub Star排名为51000+， Fork排名已达24000+，有15000+ commits。并跟着TensorFlow新版本的赓续宣布以及新特点的赓续增长，TensorFlow应用加倍灵活，运行速度更快，应用方法更产品化，已成为今朝主流的深度进修平台之一。

4/5 首页上一页 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