tensorflow机器学习莫烦视频整理总结

1. 安装配置tensorflow环境
2. tensorflow介绍​​​​​​​
   example2：预测函数y=0.1x+0.3
   其中权重就是0.1，偏置就是0.3，随着训练的进行，下图中的数据会越来越接近0.1和0.3
   注意：session会话控制，initialize_all_variables()等
   
   写法一：

import tensorflow as tf  # 导入TensorFlow的包
import numpy as np

#create data
x_data = np.random.rand(100).astype(np.float32)#随机生成100个32位浮点型数据
y_data = x_data*0.1 + 0.3#要使得weights接近0.1，biases接近0.3，也就是学习训练过程


###create tensorflow structure start ###
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))#考虑到权重可能是一个矩阵的形式，所以大写W。
                                                      #定义参数要用到Variable，生成一个随机数，[1]表示一维，从-1到1
biases = tf.Variable(tf.zeros([1]))#偏置初始值为0，[1]为一维，训练的过程就是不断从初始值去接近0.1和0.3

y = Weights*x_data + biases #定义要预测的y的值

loss = tf.reduce_mean(tf.square(y-y_data))#计算预测的y和真实y的差距，刚开始loss会很大
optimizer = tf.train.GradientDescentOptimizer(0.5)#建立一个优化器来减小误差loss，提升参数的准确度，选择最基础的原始的梯度下降优化器，学习率0.5（学习率要小于1）
train = optimizer.minimize(loss)

init = tf.initialize_all_variables()#初始化所有变量
###create tensorflow structure end ###

#激活神经网络
sess = tf.Session()
sess.run(init)#也可以用with tf.Sess() as sess:

#开始训练
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(Weights),sess.run(biases))#每隔20次输出一次结果，在输出weights和biases时注意要sess.run()

写法2

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)) # 随机生成2行100列的一个矩阵
y_data = np.dot([0.100, 0.200], x_data) + 0.300#dot表示乘法，(1*2)*(2*100)=(1*100),最终得到1*100的一个向量
#print(x_data)
#print(x_data)
# 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))#生成一个1*2维的矩阵，在（-1，1）之间
y = tf.matmul(W, x_data) + b#mutual矩阵相乘

# 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 range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

3、激励函数


4、代码段

1. session方法

import tensorflow as tf

matrix1 = tf.constant([[3,3]])#定义一个一行两列的矩阵
matrix2 = tf.constant([[2],
                       [2]])#定义一个一行两列的矩阵

product = tf.matmul(matrix1,matrix2)  #矩阵相乘

#method 1
# sess = tf.Session()
# result = sess.run(product)
# print(result)
# sess.close()#可有可无

# method2
with tf.Session() as sess:
    result2 = sess.run(product)
    print(result2)

2. initialiaze

import tensorflow as tf

state = tf.Variable(0,name='counter')#定义一个变量，值为0，名为counter
# print(state.name)#输出结果：counter:0
one = tf.constant(1)#设置常量值为1

new_value = tf.add(state,one)#变量state+常量one赋值给新变量new_value
update = tf.assign(state,new_value)#更新state的值（将new_value赋值给state）

init = tf.initialize_all_variables()#初始化所有变量,如果定义了变量，一定要写这一句

#使用with语句session会话，不需要sess.close()
with tf.Session() as sess:
    sess.run(init)#在session中一定要run一次init
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

3. placeholder

import tensorflow as tf

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1,input2)

# init = tf.initialize_all_variables()

with tf.Session() as sess:
    # sess.run(init)
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))#placeholder相当于一个占位符，在输出的时候用到时再给定值。
                                                             #feed_dict是一个字典形式。[7.]就是[7.0]

4、 搭建神经网络(最终拟合红线有问题没出来)

import tensorflow as tf
import numpy as np

import matplotlib.pyplot as plt#可视化
# 定义一个神经层
def add_layer(inputs,in_size,out_size,activation_function=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))#随机变量normal
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)#1行，out_size列，初始值不为0，加0.1
    Wx_plus_b = tf.matmul(inputs,Weights)+biases#预测值没有被激活之前被存储在这个变量里,matmul是矩阵相乘

    #激活
    if activation_function is None:
        outputs = Wx_plus_b
    else:
        outputs = activation_function(Wx_plus_b)
    return outputs

#构造训练集数据,300个样本点，特征维度1维
x_data = np.linspace(-1,1,300)[:,np.newaxis]#x_data是-1到1之间的300个数，[]中的意思是加一个维度，，变为矩阵，300行 1列
noise = np.random.normal(0,0.05,x_data.shape)#生成一些随机噪声，更像真实数据。平均值为0，标准差是0.05，和x_data一样的格式
y_data= np.square(x_data)-0.5 + noise#非线性函数，x的平方赋值给y，最后减去0.5

xs = tf.placeholder(tf.float32,[None,1])#x_data的结构，行不定，列为1
ys = tf.placeholder(tf.float32,[None,1])

#神经网络解释：输入只有一个属性（一列），就是一个神经元，输出也是一个属性（一列），即一个神经元。现在隐藏层设定10个神经元

layer1 = add_layer(xs,1,10,activation_function=tf.nn.sigmoid)#隐藏层1输入为xs,输入为1列，输出为10列，layer1就相当于隐藏层的输出
prediction = add_layer(layer1,10,1,activation_function=None)#输出层定义，输入数据为layer1，即10列，输出为1即结果1列


loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),
                                    reduction_indices=[1]))#损失函数，计算误差，对于每一个差值计算平方square，再求和reduce_sum算出所有值,再平均
                                                            #reduction_indices=[1]表示按行求和，0表示按列求和
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)#学习率0.1
                                                                    #每一步训练都使用优化器来对loss进行更正
init = tf.initialize_all_variables()
# with tf.Session() as sess:
sess = tf.Session()
sess.run(init)
#可视化操作
fig = plt.figure()
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
plt.ion()
plt.show()
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})#使用xs和ys的意义是不把程序写死，xs和ys作形参
    if i%50 == 0:
        # print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
        # try:
        #     ax.lines.remove(lines[0])#抹除掉lines的第一个单位
        # except Exception:
        #     pass
        # prediction_value = sess.run(prediction,feed_dict={xs:x_data})
        # lines = ax.plot(x_data,prediction_value,'r-',lw=5)#用宽度为5红色的线把根据x_data预测的值画出来
        # #如果想在if语句中每循环一次就画一次线，就需要抹除掉
        # plt.pause(0.1)#暂停0.1秒继续显示
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        lines = ax.plot(x_data,prediction_value,'r-',lw=5)#用宽度为5红色的线把根据x_data预测的值画出来