目录
Tensorflow基础
变量
变量的创建
变量的初始化
代码演示
# 变量op
# 1、变量op能够持久化保存,普通张量op是不行的
# 2、当定义一个变量op的时候,一定要在会话当中去运行初始化
# 3、name参数:在tensorboard使用的时候显示名字,可以让相同op名字的进行区分
a = tf.constant(3.0, name="a")
b = tf.constant(4.0, name="b")
c = tf.add(a, b, name="add")
var = tf.Variable(tf.random_normal([2, 3], mean=0.0, stddev=1.0), name="variable")
print(a, var)
# 必须做一步显示的初始化op
init_op = tf.global_variables_initializer()
with tf.Session() as sess:
# 必须运行初始化op
sess.run(init_op)
print(sess.run([c, var]))
可视化学习Tensorboard
可视化步骤
1.在程序中生成events文件
with tf.Session() as sess:
# 必须运行初始化op
sess.run(init_op)
# 把程序的图结构写入事件文件, graph:把指定的图写进事件文件当中
filewriter = tf.summary.FileWriter("./test/", graph=sess.graph)
2.在命令窗口中启动tensorboard
打开Anaconda Prompt 将路径切换到events文件的上一层目录下
3.复制网址,用谷歌浏览器打开
4.过程中出现的问题
Tensorboard出现:OSError:[Errno 22] Invalid argument
参考链接:
链接: https://blog.csdn.net/qq_42006303/article/details/88780602.
网页打不开
图中的符号意义
增加变量显示
线性回归的示例
相关运算API
梯度下降API
tensorflow变量的作用域
作用域可以让代码更加简洁、清晰,作用分明。
模型的保存与加载
代码示例
# 1、训练参数问题:trainable
# 学习率和步数的设置:
# 2、添加权重参数,损失值等在tensorboard观察的情况 1、收集变量2、合并变量写入事件文件
import os
def myregression():
"""
自实现一个线性回归预测
:return: None
"""
with tf.variable_scope("data"):
# 1、准备数据,x 特征值 [100, 1] y 目标值[100]
x = tf.random_normal([100, 1], mean=1.75, stddev=0.5, name="x_data")
# 矩阵相乘必须是二维的
y_true = tf.matmul(x, [[0.7]]) + 0.8
with tf.variable_scope("model"):
# 2、建立线性回归模型 1个特征,1个权重, 一个偏置 y = x w + b
# 随机给一个权重和偏置的值,让他去计算损失,然后再当前状态下优化
# 用变量定义才能优化
# trainable参数:指定这个变量能跟着梯度下降一起优化
weight = tf.Variable(tf.random_normal([1, 1], mean=0.0, stddev=1.0), name="w")
bias = tf.Variable(0.0, name="b")
y_predict = tf.matmul(x, weight) + bias
with tf.variable_scope("loss"):
# 3、建立损失函数,均方误差
loss = tf.reduce_mean(tf.square(y_true - y_predict))
with tf.variable_scope("optimizer"):
# 4、梯度下降优化损失 leaning_rate: 0 ~ 1, 2, 3,5, 7, 10
train_op = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
# 1、收集tensor
tf.summary.scalar("losses", loss)
tf.summary.histogram("weights", weight)
# 定义合并tensor的op
merged = tf.summary.merge_all()
# 定义一个初始化变量的op
init_op = tf.global_variables_initializer()
# 定义一个保存模型的实例
saver = tf.train.Saver()
# 通过会话运行程序
with tf.Session() as sess:
# 初始化变量
sess.run(init_op)
# 打印随机最先初始化的权重和偏置
print("随机初始化的参数权重为:%f, 偏置为:%f" % (weight.eval(), bias.eval()))
# 建立事件文件
filewriter = tf.summary.FileWriter("./test/", graph=sess.graph)
# 加载模型,覆盖模型当中随机定义的参数,从上次训练的参数结果开始
if os.path.exists("./ckpt/checkpoint"):
saver.restore(sess, './ckpt/model')
# 循环训练 运行优化
for i in range(100):
sess.run(train_op)
# 运行合并的tensor
summary = sess.run(merged)
filewriter.add_summary(summary, i)
print("第%d次优化的参数权重为:%f, 偏置为:%f" % (i, weight.eval(), bias.eval()))
saver.save(sess, './ckpt/model')
return None
if __name__ == "__main__":
myregression()