TensorFlow快速上手实战和可视化

目录

前期准备

实例：训练一元方程

Session

Variable

placehoder

优化器（Optimizer）

实战进阶：灵活使用TensorFlow

添加神经层

建造你的神经网络

结果可视化

全程可视化:tensorboard的使用

---

关于学习任何一门编程，我的建议是：直接动手干，不要花时间系统去学！一边实践一边学习，进步才最快。等有1~2个项目的实践经历后，再回头系统学习，读一些系统的书籍，事半功倍。现在直接系统地学，很多部分你也看不懂。

前期准备

首先请保证你已经安装了python的开发环境和TensorFlow。

如果还没有的话，请看：傻瓜教程：MacOS系统安装Anaconda+Spyder+TensorFlow

最好，你还能初步了解一些TensorFlow的基本内容：TensorFlow：编程模型和重要基本概念，然后我们就可以开始实战了。

实例：训练一元方程

我们举个例子，我们要让一堆随机的初始数据经过TensorFlow框架下的学习训练后，输出y=0.1x+0.3。

import tensorflow as tf
import numpy as np

x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

#w和b的初始值
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))

#建立优化器
optimizer = tf.train.GradientDescentOptimizer(0.5) #学习率，小于1的数，这里取0.5
train = optimizer.minimize(loss) #这里定义了train的算式，即要做什么：使得loss最小！

#初始化我们的变量 使我们设计的学习结构活动起来
init = tf.initialize_all_variables()
sess = tf.Session()  #创建一个session
sess.run(init) 

for step in range(201): #迭代201次
    sess.run(train)
    if step % 20 == 0:  #每隔20次输出一次信息
        print(step,sess.run(Weights),sess.run(biases))

上面程序输出是：

发现输出非常接近0.1和0.3了。

当然，因为你还没有系统地学习TensorFlow，目前你不需要深入理解如优化器、初始化等一系列操作的底层原理，你只需要知道它是用来干什么的、能产生什么样的结果，会使用就可以。具体的我们会在之后学习过程中细讲。

上面程序中出现的一些你必须要知道的TensorFlow框架下的知识点：

Session

TensorFlow中的对话模块，or人机会话接口，执行已经创建好的计算图或某些部分。一般很多tf框架下语句都要run一下才可以生效。

例如：计算两个矩阵相乘：

import tensorflow as tf

matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2],
                       [2]])
product = tf.matmul(matrix1, matrix2)  # matrix multiply np.dot(m1, m2)

# method 1
sess = tf.Session() #创建session
result = sess.run(product) #通过session来运行部分图
print(result)
sess.close()  #关闭会话 

# method 2
with tf.Session() as sess:  #通过with 自动关闭这次会话 降低内存占用
    result2 = sess.run(product)
    print(result2)

Variable

通过tf.Variable定义TensorFlow框架下的变量。

举个例子：

import tensorflow as tf

state = tf.Variable(0, name='counter')
#print(state.name)
one = tf.constant(1)

new_value = tf.add(state, one) #变量加常量1
update = tf.assign(state, new_value)  #把new_value赋给state

init =