TensorFlow 核心概念:
计算表示为一个有向图(directed graph),或计算图(computation graph)
其中每一步运算操作(operation)作为一个节点(node)
节点与节点之间的连线成为边(edge)
在计算图边中流动(flow)的数据成为张量(tensor)
TensorFlow神经网络开发流程:
1、定义算法公式,也就是神经网络forward是的计算
2、定义loss,选定优化器,并指定优化器优化loss
3、迭代地对数据进行训练
4、在测试集或验证集上对准确率进行评测
运用softmax 的BP网络训练,代码如下:
#下载引入数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
import tensorflow as tf
#设置默认会话(session)
sess = tf.InteractiveSession()
#设置模型变量
x = tf.placeholder(tf.float32, [None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)
#训练模型
#成本函数:交叉熵
y_ = tf.placeholder(tf.float32, [None, 10])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices = [1]))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#初始化变量
init = tf.initialize_all_variables()
#启动图(graph)
sess = tf.Session()
sess.run(init)
#训练模型1000次
for i in range(40000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x:batch_xs,y_:batch_ys})
print(sess.run(W),sess.run(b))
#评估模型
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction,"float"))
print(sess.run(accuracy,feed_dict={x:mnist.test.images, y_:mnist.test.labels}))
训练结果如下: