TensorFlow中神经网络的实现

神经网络是机器学习的基本类型。它遵循数据预处理，模型构建和模型评估的手动M1工作流程。

我们将开始使用Python进行面向对象的编程和super关键字。

现在，让我们通过Anaconda Navigator在系统中启动Jupiter笔记本。

首先，我们必须打开Anaconda Navigator，然后从那里启动Jupyter Notebook 。

之后，一个命令将自动在我们的系统中运行，如下所示。

然后，下面的页面将打开我们必须编写代码的位置。

然后单击文件并启动编辑器。

现在，它将成功在我们的系统中打开。

然后，我们必须在下面的编码部分中了解简单的功能：

经营者

以下是运算符的基本概念：

• 作业类别
  • 输入节点
  • 输出节点
  • 全局默认图变量
  • 计算
    • 被扩展类覆盖

图形

图是全局变量。我们使用此术语图是因为张量流从图上流出，在下一节学习TensorFlow基础知识时将重申它。我们可以将图想象为节点列表的一种。在这种情况下，我们有一个简单的图，其中我们有两个常量，分别是两个节点n1和n2，每个节点分别是常量1和2，然后馈入某种运算。因此，在我们的例子中，我们拥有这种选择操作类，然后该操作类将被其他类继承。

因此，例如，我们可以添加一个继承操作类的类，在这种情况下，由于1 + 2 = 3 ，它会接受这两个输入1和2，然后输出三个。我们有一个乘法运算，所以乘法运算说两次乘以一，所以输出为2。下面是图形。

占位符-一个“空”节点，需要提供一个值来计算输出。

变量-它是图形的可变参数。

Graph- Global Variable连接操作的变量和占位符。

会议：我们需要执行会议中的所有操作。我们将确保以正确的顺序实现节点。

在这里，我们完成了运算符和图形部分。