深度学习DAY1

TensorFlow深度学习

第一章

第1节 图的创建使用

在这里插入图片描述
实例:

# -*- coding:utf-8 -*-
import tensorflow as tf
'''创建图,启动图'''
m1=tf.constant([[3,4]])
m2=tf.constant([[3],[4]])
pro=tf.matmul(m1,m2)#创建一个矩阵乘法,传入m1,m2
print(pro)

#定义一个会话
sess=tf.Session()
#调用sess的run方法来执行矩阵乘法op
result=sess.run(pro)
print(result)
sess.close()

结果:

Tensor("MatMul:0", shape=(1, 1), dtype=int32)
[[25]]

第2节 变量的使用

# -*- coding:utf-8 -*-
import tensorflow as tf
'''变量的使用'''
x=tf.Variable([1,2])
a=tf.constant([3,3])

sub=tf.subtract(x,a)
add=tf.add(x,sub)
#变量要进行初始化
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))


#创建一个变量初始化为0
state=tf.Variable(0,name='counter')
#创建一个OP,作用是state加1
new_value=tf.add(state,1)
#赋值op
update=tf.assign(state,new_value)
#变量初始化
init=tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

结果:

[-2 -1]
[-1  1]
0
1
2
3
4
5

第3节 fetch 和 feed

# -*- coding:utf-8 -*-
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

'''fetch 和 feed'''
#fetch
tf.compat.v1.disable_eager_execution()
a=tf.constant(3.0)
b=tf.constant(2.0)
c=tf.constant(5.0)

add=tf.add(a,b)
mul=tf.multiply(c,add)

with tf.compat.v1.Session() as sess:
    result=sess.run([mul,add])
    print(result)



#feed
#创建占位符
x=tf.placeholder(tf.float32)
y=tf.placeholder(tf.float32)
z=tf.multiply(x,y)

with tf.compat.v1.Session() as sess:
    print(sess.run(z,feed_dict={x:[8.],y:[2.]}))

结果:

[25.0, 5.0]
[16.]

第4节 小小的实例

# -*- coding:utf-8 -*-
import numpy as np
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

'''简单示例'''
tf.compat.v1.disable_eager_execution()
#使用numpy随机生成100个点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2
#构造一个线性模型
a=tf.Variable(0.)
b=tf.Variable(0.)
y=a*x_data+b

#二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train=optimizer.minimize(loss)

init=tf.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([a,b]))

结果:

0 [0.05334107, 0.099916965]
20 [0.103049114, 0.19836591]
40 [0.10171585, 0.1990805]
60 [0.10096557, 0.19948256]
80 [0.100543365, 0.19970882]
100 [0.100305766, 0.19983615]
120 [0.10017206, 0.1999078]
140 [0.10009683, 0.19994812]
160 [0.100054495, 0.1999708]
180 [0.100030676, 0.19998355]
200 [0.100017264, 0.19999075]
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值