tensoflow即tensor flow,张量流动,张量即数组。tensorboard可视化工具。tensorflow三个基本概念:计算图(tf.Graph) 张量(tf.Tensor) 会话(tf.Session)计算图是计算模型,每个节点是一个运算,边表示数据传递关系,数据是张量。
tensoflow即tensor flow,张量 流动,张量即数组。tensorboard可视化工具。tensorflow三个基本概念:计算图(tf.Graph) 张量(tf.Tensor) 会话(tf.Session)计算图是计算模型,每个节点是一个运算,边表示数据传递关系,数据是张量。
TF游乐场,网址是playground.tensorflow.org/,可以训练简单的网络。
解决分类问题的四个步骤:
1.提取特征向量
2.定义网络结构
3.训练调参
4.前向预测
产生矩阵:
weights = tf.Variable(tf.random_normal([2,3],stddev=2))
产生2*3的矩阵,服从均值为0,方差为2的分布
博客[1]给出了一个mnist的例子,还是不错的,准确率能达到91%
#-*-coding:utf-8-*-
import gzip
import os
import tempfile
import numpy
from six.moves import urllib
from six.moves import xrange # pylint: disable=redefined-builtin
import tensorflow as tf
from tensorflow.contrib.learn.python.learn.datasets.mnist import read_data_sets
import tensorflow as tf
#MNIST数据输入
mnist = read_data_sets("MNIST_data/", one_hot=True)
x = tf.placeholder(tf.float32,[None, 784]) #图像输入向量
W = tf.Variable(tf.zeros([784,10])) #权重,初始化值为全零
b = tf.Variable(tf.zeros([10])) #偏置,初始化值为全零
#进行模型计算,y是预测,y_ 是实际
y = tf.nn.softmax(tf.matmul(x,W) + b)
y_ = tf.placeholder("float", [None,10])
#计算交叉熵
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
#接下来使用BP算法来进行微调,以0.01的学习速率
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#上面设置好了模型,添加初始化创建变量的操作
init = tf.initialize_all_variables()
#启动创建的模型,并初始化变量
sess = tf.Session()
sess.run(init)
#开始训练模型,循环训练1000次
for i in range(1000):
#随机抓取训练数据中的100个批处理数据点
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x:batch_xs,y_:batch_ys})
print 'run '+ str(i) +' epoch'
''''' 进行模型评估 '''
#判断预测标签和实际标签是否匹配
correct_prediction = tf.equal(tf.argmax(y,1),tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
#计算所学习到的模型在测试数据集上面的正确率
print( sess.run(accuracy, feed_dict={x:mnist.test.images, y_:mnist.test.labels}) )
print 'done!'