深度学习框架Tensorflow学习与应用

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})