Tensorflow学习(一)
深度学习框架Tensorflow学习与应用
通过 视频学习Tensorflow的一些知识点,可能不是很系统,跟着敲了一点代码,又根据自己的理解做了一些笔记。主要是学习Tensorflow的一些用法。
1.图在会话(session)中计算。图由张量(tensor)和操作(op)组成,表明计算任务。
初始化变量:
# 定义变量x
x = tf.Variable([1.2])
# 初始化变量,session中要run(init)
init = tf.global_variable_initializer()
2.Fetch and Feed
Fetch 在会话当中执行多个op。sess.run([op1,op2])
# Feed
# 创建占位符,值未确定。会话中传值
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
with tf.Session() as sess:
# feed_dic传入的是字典
print(sess.run(output,feed_dic ={input1:[7.],input2:[2.]}))
3.Tensorflow简单示例
# Numpy生成100个随机点
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2
# 构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data+b
# 二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法作为训练的优化器。学习率0.2
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 最小化代价函数
train = optimizer.minimize(loss)
# 初始化变量,session中要run(init)
init = tf.global_variable_initializer()
with tf.Session() as sess:
sess.run(init)
for step in range(201)
sess.run(train)
if sep%20 == 0:
print(step,sess.run([k,b]))
4.非线性回归
tf.matmul():两个矩阵相乘
tf.multiply():两个矩阵中对应元素各自相乘
tf.random_normal()函数用于从“服从指定正态分布的序列”中随机取出指定个数的值。
tf.random_normal(shape, mean=0.0, stddev=1.0, dtype=tf.float32, seed=None, name=None)
定义实现非线性回归的神经网络图(帮助代码理解)如下
# 在(-0.5,0.5)之间产生200个随机点得到一维数据(200,)[:,np.newaxis]效果等同于reshape(-1,1)增加维度变成(200,1)
x_data= np.linspace(-0.5,0.5,200)[:,np.newaxis]
noise = np.random.normal(0,0.2,x_data.shape)
y_data = np.square(x_data)+noise
# None表示行不确定,列是1列
# [None,1]形状根据样本定义
x = tf.placeholder(tf.float32,[None,1])
y = tf.placeholder(tf.float32,[None,1])
# 定义神经网络中间层
# [1,10]从神经网络角度理解,输入数据是200行一列(特征维度是1,输入神经元就是1个)的数据,那输入的神经元个数为1,中间层的神经元个数10个(中间层神经元个数可调)
WI_L1 = tf.Variable(tf.random_normal([1,10]))
BI_L1 = tf.Variable(tf.zeros([1,10]))
WIx_BI_L1 = tf.matmul(x,WI_L1)+BI_L1
L1 = tf.nn.tanh(WIx_BI_L1)
# 定义神经网络输出层(输出层的输入是中间层的输出)
#[10,1]经过中间的10个神经元的计算,最终预测目标为y(一个点)即只需要一个输出
WO_L2 = tf.Variable(tf.random_normal([10,1]))
BO_L2 = tf.Variable(tf.zeros([1,1]))
WOL1_BO_L1 = tf.matmul(L1,WO_L2)+BO_L2
prediction = tf.nn.tanh(WOL1_BO_L1)
# 二次代价函数
loss = tf.reduce_mean(tf.square(y-prediction))
# 定义一个梯度下降法作为训练的优化器。学习率0.2
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 最小化代价函数
train_step = optimizer.minimize(loss)
# 初始化变量,session中要run(init)
init = tf.global_variable_initializer()
with tf.Session() as sess:
sess.run(init)
for _ in range(2000)
sess.run(train_step,feed_dict={x:x_data,y:y_data})
# 获得预测值
prediction_value = sess.run(prediction,feed_dict={x:x_data})