文章目录
Tensorflow是什么
TensorFlow是一个用于数值计算的强大开源软件库, 非常适合大型机器学习。 它背后的原理很简单: 首先在Python中定义一个用来计算的图 , 然后TensorFlow就会使用这个图, 并用优化过的C++代码来执行计算。
Tensorflow的优势
- 提供了一个非常简单的名叫TF.Learn(tensorflow.contrib.learn)的Python API来兼容Scikit-Learn。
- 可以将计算图分解进行并行计算。
- 提供另一个叫作TF-Slim(tensorflow.contrib.slim)的简单API来简化神经网络的构建、 训练和评估。
- 在TensorFlow之上, 独立构建了一些高级的API, 比如Keras(http://keras.io) 和PrettyTensor(https://github.com/google/prettytensor/) 。
- 提供一个非常强大的叫作TensorBoard的可视化工具
Tensorflow使用基本流程
详见tensorflow中文主页
(1)准备数据,创建节点,包括变量,常量,占位符,并定义节点运算
#变量,占位符定义
x = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])
W = tf.Variable(tf.zeros([784,10]))
b = tf.Variable(tf.zeros([10]))
#节点运算
y = tf.nn.softmax(tf.matmul(x,W) + b)
(2)初始化节点
sess.run(tf.initialize_all_variables())
(3)创建损失函数
cross_entropy = -tf.reduce_sum(y_*tf.log(y))
(4)对损失函数进行优化
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
(5)启动图, 加载数据,运行节点,训练模型
import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
for i in range(1000):
batch = mnist.train.next_batch(50)
train_step.run(feed_dict={x: batch[0], y_: batch[1]})
(6)评估模型
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print accuracy.eval(feed_dict={x: mnist.test.images, y_: mnist.test.labels})
(7)使用tensorboard查看训练曲线
(8)保存模型
利用MNIST来实现Tensorflow基本语法
softmax分类基于tensorflow实现MNIST
方法步骤&#