Tensorflow01：简单线性模型

1、一个Tensorflow图由以下几个部分组成：

• 占位符变量（Placeholder）用来改变图的输入。

• 模型变量（Model）将会被优化，使模型表现的更好。

• 模型本质上就是一些数学函数，它根据Placeholder和模型的输入变量计算一些输出。

• 一个cost度量来指导变量的优化。

• 一个优化策略会更新模型的变量。

 

2、Placeholder

• #(类型，形状)，None代表tensor可能保存任意数量的图像，每张图像是一个长度为img_size_flat的向量。

  x = tf.placeholder(tf.float32, [None, img_size_flat])

• #真实标签

  y_true = tf.placeholder(tf.float32, [None, num_classes])

• #真实类别定义，None代表是任意长的一维向量

  y_true_cls = tf.placeholder(tf.int64, [None])

• #需要优化的变量，权重是二维张量

  weights = tf.Variable(tf.zeros([img_size_flat, num_classes]))

• #偏差

  bias = tf.Variable(tf.zeros([num_classes]))

 

3、模型

• #logits是一个num_images行num_classes列的矩阵

  logits = tf.matmul(x, weights) + biases

• #归一化，使得矩阵的每一行相加为1

  y_pred = tf.nn.softmax(logits)

  y_pred_cls = tf.argmax(y_pred, dimension=1)

 

4、优化损失函数

• 交叉熵是一个长为正直的连续函数，如果模型的预测值精准符合期望，它就=0

  cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=y_true)

• cost = tf.reduce_mean(cross_entropy)

 

5、优化器

• optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.5).minimize(cost)

 

6、性能度量

• correct_prediction = tf.equal(y_pred_cls, y_true_cls)

• accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

 

7、运行tensorflow会话

• #创建session来运行图

  session = tf.Session()

• #初始化

  session.run(tf.global_variables_initializer())