在Jupyter Notebook里面用tensorflow框架编写python

阳光码农

已于 2023-04-06 18:19:55 修改

阅读量628

点赞数

文章标签： python tensorflow jupyter

于 2023-04-06 18:07:27 首次发布

本文链接：https://blog.csdn.net/gepengmiss/article/details/129995744

版权

该文演示了如何在TensorFlow中使用梯度下降法进行优化。首先定义变量w，然后创建损失函数，接着通过GradientDescentOptimizer最小化该函数。文章通过多个示例展示了初始化、运行session以及进行多轮训练的过程，最后优化变量w的值，使其接近预期解。

摘要由CSDN通过智能技术生成

安装tensorflow

运行python代码：

import numpy as np
import tensorflow as tf
#导入TensorFlow
w = tf.Variable(0,dtype = tf.float32)
#接下来，让我们定义参数w，在TensorFlow中，你要用tf.Variable()来定义参数
#然后我们定义损失函数：
cost = tf.add(tf.add(w**2,tf.multiply(- 10.,w)),25)

# tf.compat.v1.disable_eager_execution()

train = tf.compat.v1.train.GradientDescentOptimizer(0.01).minimize(cost)
init = tf.compat.v1.global_variables_initializer()

session = tf.compat.v1.Session()#这样就开启了一个TensorFlow session。

session.run(init)#来初始化全局变量。
#然后让TensorFlow评估一个变量，我们要用到:
session.run(w)

#上面的这一行将w初始化为0，并定义损失函数，我们定义train为学习算法，它用梯度下降法优化器使损失函数最小化，但实际上我们还没有运行学习算法，所以#上面的这一行将w初始化为0，并定义损失函数，我们定义train为学习算法，它用梯度下降法优化器使损失函数最小化，但实际上我们还没有运行学习算法，所以session.run(w)评估了w，让我：：
print(session.run(w))

#所以如果我们运行这个，它评估等于0，因为我们什么都还没运行。
#现在让我们输入：
session.run(train)#它所做的就是运行一步梯度下降法。

#接下来在运行了一步梯度下降法后，让我们评估一下w的值，再print：
print(session.run(w))

#在一步梯度下降法之后，w现在是0.1。
session.run(train)
print(session.run(w))

#现在我们运行梯度下降1000次迭代：
for i in range(1000):
session.run(train)

print(session.run(w)) # 4.99999

w = tf.Variable(0,dtype=tf.float32)
#cost = tf.add(tf.add(w**2,tf.multiply(- 10.,w)),25)
cost=w**2-10*w+25
train=tf.compat.v1.train.GradientDescentOptimizer(0.01).minimize(cost)

init=tf.compat.v1.global_variables_initializer()
session=tf.compat.v1.Session()
session.run(init)
print('1==',session.run(w))

session.run(train)
print('2==',session.run(w))

for i in range(1000):
session.run(train)
print('3==',session.run(w))

coefficients=np.array([[1.],[-10.],[25.]])

w = tf.Variable(0,dtype=tf.float32)
x=tf.compat.v1.placeholder(tf.float32,[3,1])
#cost = tf.add(tf.add(w**2,tf.multiply(- 10.,w)),25)
#cost=w**2-10*w+25
cost=x[0][0]*w**2+x[1][0]*w+x[2][0]
train=tf.compat.v1.train.GradientDescentOptimizer(0.01).minimize(cost)

init=tf.compat.v1.global_variables_initializer()
session=tf.compat.v1.Session()
session.run(init)
print('1==',session.run(w))

session.run(train,feed_dict={x:coefficients})
print('2==',session.run(w))

for i in range(1000):
session.run(train,feed_dict={x:coefficients})
print('3==',session.run(w))