1.Tensorflow计算图模型,使用图来表示计算任务。Tensorflow程序一般分为图的构建和图的执行两个阶段。
第一阶段:图的构建阶段也称图的定义阶段。程序如下:
# 创建图
import tensorflow as tf
# 创建一个常量m1:1行2列的矩阵
m1 = tf.constant([[3, 3]])
# 创建一个常量m2:2行1列
m2 = tf.constant([[2], [3]])
# 创建一个矩阵乘法op,把m1和m2传入
product = tf.matmul(m1, m2)
print(product)
2.在会话(Session)的上下文中执行图。
第二阶段:图的执行阶段,也就是在会话(Session)中执行图模型中定义好的运算。
# 定义一个会话,启动默认图
sess = tf.Session()
# 调用sess的run方法来执行矩阵乘法op
result = sess.run(product)
print(result)
# 关闭会话
sess.close()
# 一般这样定义会话,结束时不用关闭会话
with tf.Session()as sess:
# 调用sess的run方法来执行矩阵乘法op
result = sess.run(product)
print(result)
3.使用tensor表示数据
4.通过变量(Variable)维护状态
变量使用:记得要初始化
import tensorflow as tf
# 创建一个变量x
x = tf.Variable([1, 2])
# 创建一个常量a
a = tf.constant([3, 3])
# 增加一个减法op
sub = tf.subtract(x, a)
# 增加一个加法op
add = tf.add(x, sub)
# 定义会话
with tf.Session() as sess:
print(sess.run(sub))
print(sess.run(add))
出错:FailedPreconditionError (see above for traceback): Attempting to use uninitialized value Variable
[[Node: Variable/read = Identity[T=DT_INT32, _device="/job:localhost/replica:0/task:0/device:CPU:0"](Variable)]]
解决方法:Tensorflow中需要使用变量的话,需要初始化操作
(1)会话之前变量初始化
init = tf.global_variables_initializer() # 全局变量初始化
(2)会话中先run一下init
sess.run(init) # 首先run一下init
总的修改:
add = tf.add(x, sub)
init = tf.global_variables_initializer() # 全局变量初始化
# 定义会话
with tf.Session() as sess:
sess.run(init) # 首先run一下init
print(sess.run(sub))
print(sess.run(add))
5.写一个自增循环程序
for 循环自增:
import tensorflow as tf # 定义一个变量 sate = tf.Variable(0,name='counter') # 创建一个op,作用是使state加1 new_value = tf.add(sate,1) # 赋值op update = tf.assign(sate,new_value) # sate = new_value # 初始化变量 init = tf.global_variables_initializer() # 启动默认图 with tf.Session() as sess: sess.run(init) print("state=",sess.run(sate)) for _ in range(5): sess.run(update) print("开始赋值后的sate:",sess.run(sate)) # for _ in range(): 其实就是一个变量,python允许下划线作为变量。 # 为什么用一个下划线,因为实际上这里没用到这个变量,所以用一个符号就可以了。
6.Fetch 和Feed:可以为任意的操作赋值或者从中获取数据
(1)fetch 可以同时运行多个op
import tensorflow as tf
# Fetch : 可以同时执行多个op
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) # 乘法操作
with tf.Session() as sess:
result = sess.run([mul, add]) # Fetch : 可以同时执行多个op
print(result)
(2)Feed:feed数据以字典的形式传入{}
# Feed
# 创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
# Feed的数据以字典的形式传入
print(sess.run(output, feed_dict={input1: [7.0], input2: [2.0]}))
7.案例
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 # 样本的真实值
# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b # 预测的值
# 二次代价函数
"""
y_data-y:样本真实值-预测值= 误差
tf.square()求平方的方法:误差的平方
tf.reduce_mean 求平均
"""
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法来进行训练优化器
optimizer = tf.train.GradientDescentOptimizer(0.2) # 0.2的学习率
# 最小化代价函数:训练的目的
train = optimizer.minimize(loss)
init = tf.global_variables_initializer() # 初始化变量
with tf.Session() as sess:
sess.run(init)
for step in range(201): # 迭代201次
sess.run(train)
if step%20 == 0:
print(step, sess.run([k, b]))
8.Tensorflow是一个编程系统,使用图(graphs)来表示计算任务,图中的节点称之为op(operation),一个op获得0个或多个Tensor,执行计算,产生0个或多个Tensor。 Tensor 看作是一个n维数组或列表。图必须在会话(Session)里启动。