显示tensorflow图中的变量

显示tensorflow图中的变量

 

1、可训练变量

 tf.trainable_variables()

[var.name for var in tf.trainable_variables()]

#print

['conv1/kernel:0',
 'conv1/bias:0',
 'conv2/kernel:0',
 'conv2/bias:0',
 'fc1/kernel:0',
 'fc1/bias:0',
 'output/kernel:0',
 'output/bias:0']

2、全部的变量

tf.global_variables()

[var.name for var in tf.global_variables()]

3.收集变量的信息,用于存储预训练的值

{var.name:var.value for var in tf.trainable_variables()}

或者:

{var.name:var.value for var in tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES)}

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
变量线性回归是机器学习最基础的模型之一,用于预测一个变量与另一个变量之间的线性关系。在本教程,我们将使用TensorFlow编写实现单变量线性回归的程序。 1. 导入必要的库 首先,我们需要导入TensorFlow和其他必要的库。 ```python import tensorflow as tf import numpy as np import matplotlib.pyplot as plt ``` 2. 准备数据 我们将使用一个简单的数据集来演示单变量线性回归。该数据集包含两列数据,第一列是房屋的面积,第二列是房屋的价格。 ```python data = np.array([[1400, 245000], [1600, 312000], [1700, 279000], [1875, 308000], [1100, 199000], [1550, 219000], [2350, 405000], [2450, 324000]]) ``` 我们可以将数据集分成两个数组,一个用于输入(房屋面积),另一个用于输出(房屋价格)。 ```python x_data = data[:,0] y_data = data[:,1] ``` 接下来,我们将数据可视化,以便更好地理解数据集。 ```python plt.scatter(x_data, y_data, color='blue') plt.xlabel('House Area') plt.ylabel('House Price') plt.show() ``` 3. 创建模型 使用TensorFlow创建单变量线性回归模型的第一步是定义变量。 ```python X = tf.placeholder(tf.float32, name='X') Y = tf.placeholder(tf.float32, name='Y') W = tf.Variable(0.0, name='weights') B = tf.Variable(0.0, name='bias') ``` 我们定义了两个占位符变量X和Y,这些变量将在训练模型时用于输入和输出。我们还定义了两个变量W和B,这些变量将在训练过程被优化。 接下来,我们定义了线性模型。 ```python Y_pred = tf.add(tf.multiply(X, W), B) ``` 这个简单的线性模型将输入X乘以权重W并加上偏置B。 4. 定义损失函数 接下来,我们需要定义一个损失函数来评估模型的性能。 ```python cost = tf.reduce_mean(tf.square(Y_pred - Y)) ``` 我们使用平方误差作为损失函数。 5. 定义优化器 为了最小化损失函数,我们需要定义一个优化器。 ```python optimizer = tf.train.GradientDescentOptimizer(0.0001).minimize(cost) ``` 我们使用梯度下降优化器来最小化损失函数。 6. 训练模型 我们现在可以开始训练我们的模型了。 ```python init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for i in range(10000): total_loss = 0 for x, y in zip(x_data, y_data): _, loss = sess.run([optimizer, cost], feed_dict={X: x, Y: y}) total_loss += loss if i % 1000 == 0: print("Epoch {0}: {1}".format(i, total_loss/len(x_data))) W, B = sess.run([W, B]) ``` 我们使用10000个epoch训练模型,并打印出每1000个epoch的平均损失。在训练完成后,我们获得了最终的权重W和偏置B。 7. 可视化结果 最后,我们可以可视化结果,以便更好地理解模型。 ```python plt.scatter(x_data, y_data, color='blue') plt.plot(x_data, W * x_data + B, color='red') plt.xlabel('House Area') plt.ylabel('House Price') plt.show() ``` 这个显示了原始数据点以及模型的线性拟合。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值