tensorflow基础知识2，fetch，feed，线性拟合实例

1、tensorflow中的fetch ，同时运行多个op操作，得到多个结果

import tensorflow as tf
#fetch同时运行多个op操作，得到多个结果
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(5.0)

add=tf.add(input2,input3)
mul=tf.multiply(input1,add)

with tf.Session() as sess:
    result=sess.run([mul,add])#此处多个op操作
    print(result)

[21.0, 7.0]

 

2、tensorflow中的feed，数据在op运行时利用feed以字典形式赋值

#feed
import tensorflow as tf
input1=tf.placeholder(tf.float32)#创建一个占位符，32位float
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)#这里可以先不赋值，放到op运行时赋值

with tf.Session()as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

 

3、运用tensorflow做一个线性拟合

#运用tensorflow进行线性拟合
import tensorflow as tf
import numpy as np

#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2

#构造一个线性模型
b=tf.Variable(0.)#先定义一个变量，0.可以改任意值
k=tf.Variable(0.)
y=k*x_data+b

#二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))#实际值减去预测值，然后求平方，再求均值
#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)
#初始化变量
init=tf.global_variables_initializer()

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

 

0 [0.04807707, 0.09825017]
20 [0.09896582, 0.20050524]
40 [0.09939657, 0.20029491]
60 [0.09964789, 0.20017208]
80 [0.09979453, 0.20010042]
100 [0.0998801, 0.20005861]
120 [0.09993004, 0.20003419]
140 [0.09995918, 0.20001996]
160 [0.09997618, 0.20001164]
180 [0.099986106, 0.2000068]
200 [0.099991895, 0.20000397]