Tensorflow实战

Linear Model

• numpy.random.uniform( )

  功能：从一个均匀分布[low,high)中随机采样，注意定义域是左闭右开，即包含low，不包含high.

  randint原型：numpy.random.randint(low, high=None, size=None, dtype=‘l’)，产生随机整数；

  random_integers原型： numpy.random.random_integers(low, high=None, size=None)，在闭区间上产生随机整数；

  random_sample原型： numpy.random.random_sample(size=None)，在[0.0,1.0)上随机采样；

  random原型： numpy.random.random(size=None)，和random_sample一样，是random_sample的别名；

  rand原型： numpy.random.rand(d0, d1, …, dn)，产生d0 - d1 - … - dn形状的在[0,1)上均匀分布的float型数。

  randn原型：numpy.random.randn（d0,d1,…,dn),产生d0 - d1 - … - dn形状的标准正态分布的float型数。

• np.random.normal( )正态分布

  原型：numpy.random.normal(loc=0.0, scale=1.0, size=None)

  loc：均值 scale：标准差 size：输出的shape

✅数据集 data[ ]

✅均方差函数 def MeanSquaredError( )：

✅一次梯度下降def step_gradient( )：

✅多次梯度下降def gradient_descent( )

✅主函数main( )

Mnist of handwritten datasets

• tf.convert_to_tensor( )

这个函数把python的变量类型转换成tensor，而这个value可以是tensor，numpy arrays(numpy 的数组)，python list（python 列表）python的表量

• tf.one_hot( )

indices = [0, 2, -1, 1]  #输入数据(是个向量)的需要编码的索引是[0,2,-1,1]
depth = 3
tf.one_hot(indices, depth,
           on_value=5.0, off_value=0.0,
           axis=-1)  # output: [4 x 3]
# [[5.0, 0.0, 0.0],  # one_hot(0)  对位置0处的数据进行one_hot编码
#  [0.0, 0.0, 5.0],  # one_hot(2)  对位置2处的数据进行one_hot编码
#  [0.0, 0.0, 0.0],  # one_hot(-1) 对位置-1处的数据进行one_hot编码
#  [0.0, 5.0, 0.0]]  # one_hot(1)  对位置1处的数据进行one_hot编码

indices = [[0, 2], [1, -1]]   #输入数据是个矩阵
depth = 3
tf.one_hot(indices, depth,
           on_value=1.0, off_value=0.0,
           axis=-1)  # output: [2 x 2 x 3]
# [[[1.0, 0.0, 0.0],   # one_hot(0)  对位置(0,0)处的数据进行one_hot编码
#   [0.0, 0.0, 1.0]],  # one_hot(2)  对位置(0,2)处的数据进行one_hot编码
#  [[0.0, 1.0, 0.0],   # one_hot(1)  对位置(1,1)处的数据进行one_hot编码
#   [0.0, 0.0, 0.0]]]  # one_hot(-1) 对位置(1,-1)处的数据进行one_hot编码

• from_tensor_slices

功能：创建一个数据集，其元素是给定张量的切片。

• python中的with用法及原理

• tf.trainable_variables( )

功能：仅可以查看可训练的变量

Tensorflow 基本数据类型

• 标量：单个实数。维数为0，shape为[ ]
• 向量：n个实数的有序集合。维数为1，shape为[n]
• 矩阵：n行m列实数的有序集合。维数为2，shape为[n,m]
• 张量：所有维度数>2的数组统称为张量。张量的每个维度也叫做轴。在TensorFlow中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数和形状自行判断。
• 必须通过TensorFlow规定的方式去创建张量，而不能使用Python语言的标准变量创建方式。
• 张量numpy( )方法可以返回Numpy.array类型的数据，方便导出数据到系统的其他模块。
• 布尔类型的张量只需要传入Python语言的布尔类型数据，转换成TensorFlow内部布尔型即可尔

nss类型的张是是量只需要传入Python语言的布尔类型数据，转换成rFlow内部布尔型法可下下返下回Numpy.array类型的数据，方便导出数据到系统的其他模块。

在TensorFlow中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数和形状自行判断在TensorFlow中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数和形状自行判断在T在TensorFlow中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数和形状自行判断ensorFlow中间，为了表达方便，一般把标量、向量、矩阵也统称为张量，不作区分，需要根据张量的维度数和形状自行判断