Tensorflow进行深度学习(第一)

1.环境的配置：

  我的电脑的配置不高，所以不能用Cude进行gpu的加速，选择例cpu版本的。系统为ubuntu14.04，python2.7,theano,keras也全部都安装上，下面进行tensorflow的安装。

$ pip install https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.11.0-cp27-none-linux_x86_64.whl

安装的是tensorflow的0.11.0的版本。

然后进行第一个程序的运行，检查tensorflow是否安装成功。

# coding: UTF-8
import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in xrange(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print step, sess.run(W), sess.run(b)

tensorflow的计算格式：

tf.zeros([3,4], int32) ==>[[0,0,0,0],[0,0,0,0],[0,0,0,0],[0,0,0,0]]

tf.ones([2,3], int32)

tf.linespace(10.0, 12.0,  3)

可以看出tensorflow 的使用和numpy有点相似。可以看教程手册。

2.下面使用tensorflow进行加法的运算：

# coding: UTF-8
import tensorflow as tf
import numpy as np

state = tf.Variable(0)
new_value = tf.add(state, tf.constant(1))
update = tf.assign(state, new_value)
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    print(sess.run(state))
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

tensorflow的使用和numpy有点相似，之间也可以相互转化，下面的例子将numpy的数据转换成tensorflow的类型

# coding: UTF-8
import tensorflow as tf
import numpy as np

a = np.zeros((3, 3))
ta = tf.convert_to_tensor(a)
with tf.Session() as sess:
    print(sess.run(ta))

使用placeholder进行站位操作：

# coding: UTF-8
import tensorflow as tf
import numpy as np

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.mul(input1, input2)
with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1: [7, ], input2: [3, ]}))

先进行占位操作，然后在运行的时候进行赋值操作，将运行的值输出。

下面就进行一个经典的机器学习算法：线性回归模型

先构造数据：

# coding: UTF-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#随机生成1000个点，围绕在y=01x+0.3的直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0, 0.55)
    y1 = 0.1*x1 + 0.3 + np.random.normal(0.0, 0.3)
    vectors_set.append([x1, y1])

#生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]

plt.scatter(x_data, y_data, c='r')
plt.show()

运行的结果：

然后将整体的代码如下所示：

# coding: UTF-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 随机生成1000个点，围绕在y=01x+0.3的直线周围
num_points = 1000
vectors_set = []
for i in range(num_points):
    x1 = np.random.normal(0.0, 0.55)
    y1 = 0.1*x1 + 0.3 + np.random.normal(0.0, 0.3)
    vectors_set.append([x1, y1])

# 生成一些样本
x_data = [v[0] for v in vectors_set]
y_data = [v[1] for v in vectors_set]

# 生成1维的w矩阵，取值是[-1,1]之间的随机数
w = tf.Variable(tf.random_uniform([1], -1, 1.0), name='w')
# 生成1维的b矩阵，初始值是0
b = tf.Variable(tf.zeros([1]), name='b')
# 经过计算得出预估值y
y = w*x_data + b

# 以预估值y和实际值用y_data之间的均方误差作为损失
loss = tf.reduce_mean(tf.square(y-y_data), name='loss')
# 采用梯度下降法来优化参数
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 训练的过程就是最下化这个误差值
train = optimizer.minimize(loss, name='train')

sess = tf.Session()

init = tf.initialize_all_variables()
sess.run(init)

# 初始化的w和b是多少
print('w =', sess.run(w), 'b =', sess.run(b), 'loss =', sess.run(loss))
# 执行20次训练
for step in range(30):
    sess.run(train)
    print('w =', sess.run(w), 'b =', sess.run(b), 'loss =', sess.run(loss))

plt.scatter(x_data, y_data, c='r')
plt.plot(x_data, sess.run(w)*x_data+sess.run(b))
plt.show()

程序运行后，可视化如下：