TensorFlow中的神经网络实现

神经网络是机器学习的一种基本类型。它遵循数据预处理、模型构建和模型评估的人工智能工作流程。

我们将开始学习Python中的面向对象编程和super关键字。

现在让我们通过Anaconda Navigator在我们的系统中启动Jupyter Notebook。

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

之后，一个命令将在我们的系统中自动运行，如下所示。

然后，将打开以下页面，我们必须在那里编写代码。

然后单击文件并启动编辑器。

现在，它将在我们的系统中成功打开。

然后我们必须在下面的编码部分中理解简单的函数

运算符

以下是运算符的基本概念

• 操作类
  • 输入节点
  • 输出节点
  • 全局默认图变量
  • 计算
    • 被扩展类覆盖

Graph

图是一个全局变量。我们使用术语“图”是因为TensorFlow运行在图上，我们将在下一节学习TensorFlow基础知识时重申这一点。我们可以将图想象成节点列表。在这种情况下，我们有一个简单的图，其中有两个常量，也就是两个节点n1和n2，它们分别是常量1和2，然后它被输入到某个操作中。因此，在我们的例子中，我们有这种选择操作类，然后这个操作类将被其他类继承。

所以，例如，我们可以添加一个继承操作类的类，在这种情况下，它输入这两个输入1和2，然后输出3，因为1+2=3。我们有一个乘法运算，所以乘法运算说1乘以2，所以输出是2。下面是图。

占位符- 一个“空”节点，需要提供一个值来计算输出。

变量- 它是图的一个可变参数。

图- 连接变量和占位符以进行操作的全局变量。

会话： 我们需要在会议中执行所有操作。我们将确保我们应该按照正确的顺序实现节点。

在这里，我们完成了我们的运算符和图部分。