深度学习之tensorflow的简单使用（附详细代码）

最近在学习深度学习，本文记录了在学习时利用tensorflow敲的几个简单案例，将持续更新。

tensorflow简介

Tensorflow是一个编程系统，使用图来表示计算任务。使用图来表示计算任务. 图中的节点被称之为 op (operation 的缩写). 一个 op 获得 0 个或多个 Tensor, 执行计算, 产生 0 个或多个 Tensor. 每个 Tensor 是一个类型化的多维数组. TensorFlow 程序通常被组织成一个构建阶段和一个执行阶段. 在构建阶段, op 的执行步骤 被描述成一个图. 在执行阶段, 使用会话执行执行图中的 op。

环境配置

见链接：https://blog.csdn.net/candice5566/article/details/103773727

利用tensorflow处理简单的非线性回归问题

import tensorflow as tf
import numpy as np
#python中一个画图的工具包
import matplotlib.pyplot as plt
#生成样本点
#使用numpy生成200个随机点
#生成在-0.5到0.5均匀分布的200个点 一维数据 后面的是增加一个维度  200行一列的数据
x_data=np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise=np.random.normal(0,0.02,x_data.shape)
y_data=np.square(x_data)+noise
 
#定义两个placeholder
#后面的属性是定义形状，行数不限定None，列数为1列 ps x，y和样本对应的
x=tf.placeholder(tf.float32,[None,1])
y=tf.placeholder(tf.float32,[None,1])
 
#构建神经网络
#输入一个x经过神经网络的计算输出y，我们期望预测值和真实的值比较接近
#输入时一个一个的点，只有一个神经元，中间层可以调节，输出层也是一个神经元
 
#定义神经网络中间层
#得到权值，起初赋随机值 1,10 1是输入有一个，中间层有10个神经元
Weights_L1=tf.Variable(tf.random_normal([1,10]))
#偏置值初始化为0
biases_L1=tf.Variable(tf.zeros([1,10]))
#计算信号的总和   矩阵的乘法
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
#L1中间层的输出 
#用双曲正切函数作为激活函数
L1=tf.nn.tanh(Wx_plus_b_L1)
 
 
#定义神经网络输出层
Weights_L2=tf.Variable(tf.random_normal([10,1]))
#偏置值初始化为0\
#输出层有一个神经元偏置值只有一个
biases_L2=tf.Variable(tf.zeros([1,1]))
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)