求y=0.1x+03函数系数。
import tensorflow as tf
import numpy as np
x_data=np.random.rand(100).astype(np.float32)
y_data=x_data*0.1+0.3
W=tf.Variable(tf.random_uniform([1],-1.0,1.0))
b=tf.Variable(tf.zeros([1]))
y=W*x_data+b
loss=tf.reduce_mean(tf.square(y-y_data))
optimizer=tf.train.GradientDescentOptimizer(0.1)
train=optimizer.minimize(loss)
init=tf.initialize_all_variables()
sess=tf.Session()
sess.run(init)
for step in range(2000):
sess.run(train)
if step%20==0:
print(step,sess.run(W),sess.run(b))
先定义两个变量,W,b。计算y=W*x+b,再去求loss,优化器是GradientDescentOptimizer,学习率是0.1
train=使得loss最小。
Variable变量
import tensorflow as tf
state=tf.Variable(9,name='counter')
#print(state)
one=tf.constant(1)
new_value=tf.add(state,one)
update=tf.assign(state,new_value)
init=tf.initialize_all_variables()
with tf.Session() as sess:
sess.run(init)
for _ in range(3):
sess.run(update)
print(sess.run(state))
initialize_all_variables()初始化所有变量,必须的!
Session会话
session是客户端与整个TensorFlow系统交互的接口,session 的创建、session 的参数、session 的运行。
session 的创建:
with tf.Session() as sess:
session 使用的可选参数主要有三个:
- target 用来控制 session 使用的硬件设备, 如果使用空值,那么这个 session 就只会使用本地的设备,如果使用 grpc:// URL,那么就会使用这台服务器控制的所有设备。
- graph 用来控制该 session 运行哪个计算图,如果为空,那么该 session 就只会使用当前的默认 Graph,如果使用多个计算图,就可以在这里指定。
- config 用来 指定一个 tf.ConfigProto 格式的 session 运行配置,比如说它里面包含的 allow_soft_placement 如果指定为 TRUE,那么 session 就会自动把不适合在 GPU 上运行的 OP 全部放到 CPU 上运行;cluster_def 是分布式运行时候需要指定的配置;gpu_options.allow_growth 设置会使得程序在开始时候逐步的增长 GPU 显存使用量,而不是一开始就最大化的使用所有显存。第一个和第三个配置是经常用到的
session 的运行:
tf.Session.run 是运行 OP 和获取 tensor 的值的主要方式,可以一次性传入多个 OP 和 tensor 给它,然后TensorFlow 会自动执行所有需要的 OP 来得到结果
import tensorflow as tf
m1=tf.constant([[3,3]])
m2=tf.constant([[2],[2]])
product=tf.matmul(m1,m2)
# sess=tf.Session()
# m2=sess.run(product)
# print(sess.run(m))
# print(m2)
#sess.close()
with tf.Session() as see:
m=see.run(product)
print(m)
placeholder
占位节点是用来接收输入值的,它们的作用和tensor对象类似,在创建时不用指定具体的数值,它们的作用是为将要用到的tensor对象预留位置,相当于输入节点。在Session对象的run()方法中,在Session对象的run()方法中,通过字典给占位节点传递值。(feed_dict)
import tensorflow as tf
import numpy as np
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.Session() as sess:
t=sess.run(output,feed_dict={input1:[12.],input2:[2.]})
print(t)