tensorflow学习1

安装好Tensorflow之后开始学习如何使用

使用ubuntu+python+vim学习Tensorflow

source ./venv/bin/activate
sudo vi a.py
a:py:

import tensorflow as tf
a = tf.constant([1,2])
print a

保存后，python a.py执行
Tensor(“Const:0”, shape=(2,), dtype=int32)
输出结果：

tensor 张量
Const:0张量名
shape = (2,) 第一行两个元素，即为一行两列的张量.
dtype = int32 数据类型为32位整型1

以上代码还可以改为

tf.constant(1)
tf.constant([1])
tf.constant([1,2],[2,3])
tf.constant([1.0,2.0],[2.0,3.0])

下面介绍几个概念

神经网络的意义是当你给出足够多的样本，可以使算法中的权重值足够准确，使得最后通过算法计算出的预测值非常接近真实值
从以上这句话，我们看得出神经网络的构成需要以下几样东西
1.样本：也就是输入，比如人脸图片
2.足够多的样本：比如人脸数据库
3.算法：比如人脸识别算法，可能通过脸部的特征判断男女
4.权重值：这个目前阶段咱还是靠想象，小白还没接触过算法。
5.预测值：输出
6.真实值：比如得到这张人脸是男的
那么我们写代码大概就是这么个框架

一段例子

这段例子来源于MOOC网课，人工智能实践：Tensorflow笔记中
实现的是：将（重量，体积）
输入到神经网络中，通过权重w1,w2计算得到了
预测值y_
最后与真实值Y比较

  1 import tensorflow as tf
  2 import numpy as np
  3 BATCH_SIZE = 8
  4 seed = 23455
  5 
  6 rng = np.random.RandomState(seed)
  7 X = rng.rand(32,2) //足够多的样本（32）
  8 Y = [[int(x0+x1<1)] for (x0,x1) in X] //根据样本中体积+质量<1 则为合格样本Y赋值1
  9 print "X is", X
 10 print "Y is ", Y
 11 
 12 x = tf.compat.v1.placeholder(tf.float32,shape=(None,2))
 13 y_ = tf.compat.v1.placeholder(tf.float32,shape=(None,1))//预测值
 14 
 15 w1 = tf.compat.v1.Variable(tf.random.normal([2,3],stddev=1,seed=1))//权重变量（需要通过样本训练优化的值）
 16 w2 = tf.compat.v1.Variable(tf.random.normal([3,1],stddev=1,seed=1))//权重（需要通过样本训练优化的值）
 17 
 18 a = tf.matmul(x,w1)
 19 y = tf.matmul(a,w2)
 20 
 21 loss = tf.reduce_mean(tf.square(y-y_))
 22 train_step = tf.compat.v1.train.GradientDescentOptimizer(0.001).minimize(loss)
 23 with tf.compat.v1.Session() as sess:
 24     init_op = tf.global_variables_initializer()
 25     sess.run(init_op)
 26     print "w1 = \n" ,sess.run(w1)
 27     print "w2 = \n", sess.run(w2)
 28 
 29     STEPS = 3000
 30     for i in range(STEPS):
 31         start = (i*BATCH_SIZE)%32
 32         end = start + BATCH_SIZE
 33         sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})
 34         if i%500 == 0:
 35             total_loss = sess.run(loss,feed_dict={x:X,y_:Y})
 36             print("After %d training steps, loss on all data is %g" %(i,total_loss))
 37     print "\nw1:\n",sess.run(w1)
 38     print "w2:\n", sess.run(w2)