tensorflow 简单训练

 

import tensorflow as tf
import numpy as np
 
# create data
x_data = np.random.rand(100).astype(np.float32) #生成100以内随机数列array([0.98757398,0.34348223,...,0.65021873],dtype=float32)
y_data = x_data*0.7 + 10.05
#y_data = np.random.rand(100).astype(np.float32) #生成100以内随机数列
 
# create tensorflow struct start
# 定义参数变量
# 1.生成1维矩阵，取值是【-1,1】之间的随机数
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0), name='W')
# 2.生成1维矩阵，初始值是0
biases = tf.Variable(tf.zeros([1]), name='b')
#经过计算得到预估值y，找到最合适的W和b
y = Weights*x_data + biases   # 即y=Wx+b  array([ 10.74130535,  10.29043674,...,  10.50515461], dtype=float32)
 
#以估计值y和实际值y_data之间的均方误差作为损失
#square()为计算平方差，train为计算张量tensorflow的平均值
loss = tf.reduce_mean(tf.square(y-y_data))
#采用梯度下降法来优化参数---优化器,参数为学习效率，小于1的数，这里设为0.5
# 在优化神经网络时，需要设置学习率（learning rate）控制参数更新的速度。
# 学习率决定了参数每次更新的幅度。如果幅度过大，那么可能导致参数在极优值的两侧来回移动
# 学习率过小时，虽然能保证收敛性，但是会大大降低优化速度
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最小化这个误差值
train = optimizer.minimize(loss)
print(train)

# 初始化所有变量
init = tf.initialize_all_variables()
#tf.initialize_all_variables() 该函数将不再使用，在 2017年3月2号以后；
#用 tf.global_variables_initializer() 替代 tf.initialize_all_variables()
 
# create tensorflow structure end
 
# 创建一个会话
sess = tf.Session()
#
sess.run(init)   # very important 激活init，整个神经网络结构被激活
 
for step in range(201):
    # run可按指针理解，下面指向训练
    sess.run(train)
    if step % 20 == 0:
        #运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.
        print(step, sess.run(Weights), sess.run(biases))  #指向两个参数值

运行结果

0[4.59001923][10.75764847]
20[1.45164824][9.65989113]
40[0.90357953][9.94434166]
60[0.75513804][10.02138329]
80[0.71493387][10.04224968]
100[0.70404482][10.04790115]
120[0.7010951][10.0494318]
140[0.70029652][10.0498457]
160[0.70008069][10.04995823]
180[0.70002258][10.04998875]
200[0.70000643][10.04999733]

 

转载于:https://my.oschina.net/lwaif/blog/3079884