深度学习框架Tensorflow学习与应用 第1课

一：Tensorflow基本概念

 1：使用图（graphs）来表示计算任务

 2：使用tensor（n维的数组或列表）表示数据

 3：在被称之为会话（Session）的上下文（context）中执行图

 4：通过变量（Variable ）维护状态

 5：使用feed和fetch可以为任意的操作赋值或者从其中获取数据

 tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图中的节点称之为op（opreation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。

二：Tensorflow结构

三：基本语法

3-1

import tensorflow as tf

#创建一个常量op
m1 = tf.constant([[3,3]])
#创建一个常量op
m2 = tf.constant([[2],[3]])
#创建一个矩阵乘法op，把m1和m2传入
product = tf.matmul(m1,m2)
print(product)

输出：Tensor("MatMul:0", shape=(1, 1), dtype=int32)

#定义一个会话，启动默认图
sess = tf.Session()
#调用sess的run方法来执行矩阵乘法op
#run（product）触发了图中3个op
result = sess.run(product)
print(result)
sess.close()

输出：[[15]]

with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op
    #run(product)出发了图中3个op
    result = sess.run(product)
    print(result)

输出：[[15]]

这里有两种Session的定义方法，后一种会自动关闭Session

3-2：变量

x = tf.Variable([1,2])
a = tf.constant([3,3])
#增加一个减法op
sub = tf.subtract(x,a)
#增加一个加法op
add = tf.add(x,sub)

#用于变量初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

输出：[-2 -1]
[-1  1]

#创建一个变量初始化0
state = tf.Variable(0,name="counter")
#创建一个op，作用是使state加1
new_value = tf.add(state,1)
#赋值操作，
update = tf.assign(state,new_value)
#用于变量初始化
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        print(sess.run(update))

输出：0
1
2
3
4
5

3-3：fetch和feed

#Fetch
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3)
mul = tf.multiply(input1,add)

with tf.Session() as sess:
    result = sess.run([mul,add])
    print(result)

输出:[21.0, 7.0]

#Feed
#创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)

with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

输出：[ 14.]

3-4:tensorflow实例

import tensorflow  as tf
import numpy as np

#使用numpy生成100个随机点
x_date = np.random.rand(100)
y_data = x_date*0.1+0.2

#构造一个线性模型
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_date + b

#二次代价函数,
#tf.reduce_mean是求平均值
loss = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
#tf.train.GradientDescentOptimizer()是梯度下降，0.2是学习率
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)


#初始化变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))

输出：0 [0.05431499, 0.10035517]
20 [0.10390387, 0.19787845]
40 [0.10233213, 0.19873264]
60 [0.10139318, 0.1992429]
80 [0.10083226, 0.19954772]
100 [0.10049719, 0.1997298]
120 [0.10029703, 0.19983859]
140 [0.10017744, 0.19990358]
160 [0.10010601, 0.1999424]
180 [0.10006332, 0.19996558]
200 [0.10003783, 0.19997944]