tensorflow1.0入门学习

有梦想的Programmer

已于 2023-02-15 19:02:24 修改

阅读量399

点赞数

文章标签：学习深度学习 tensorflow

于 2023-02-15 19:01:58 首次发布

本文链接：https://blog.csdn.net/qq_45703999/article/details/114249368

版权

tensorflow1.0入门学习

一、简介：
tensorflow版本：2.3
在2.x 版本下学习1.0的内容

二、实现简单的梯度下降
拟合线性函数：y=0.1*x+0.3
效果：
在这里插入图片描述
代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution() #禁用Tensorflow2 默认的即时执行模式
import numpy as np
# 自定义真实数据：
# x_data:自定义一组数据,在tf中多使用float32，所以定制时也用float32
x_input = np.random.rand(100).astype(np.float32) #随机生成一组data
# 我们给定的正确函数，w=0.1,b=0.3 目的想要tf能够学习并更新其模型参数接近这个值
y_data = x_input*0.1+0.3
# 构建tf结构：
# 定义权值变量，维度为1,初始值范围-0.1~1.0
Weight = tf.Variable(tf.random_uniform([1],-1.0,1.0))
# 定义偏置变量，初始值为0
biases = tf.Variable(tf.zeros([1]))
# 定义预测的y
y = x_input*Weight + biases
# 定义loss函数(mean square),预测的y与实际y_data之间的差别
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义优化器,更新网络中的权值
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.5)
train = optimizer.minimize(loss)
# 初始化模型图中设定的参数
init = tf.initialize_all_variables()
# 建立会话，控制图的流动
sess = tf.Session()
sess.run(init)
# 开始训练
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step,sess.run(Weight),sess.run(biases))

三、实现自动拟合绘制曲线
绘制曲线拟合近似抛物线函数：y=x^2 -0.5
效果：
在这里插入图片描述
代码：

import tensorflow.compat.v1 as tf
tf.disable_eager_execution() #禁用Tensorflow2 默认的即时执行模式
import numpy as np


# 输入数据的特征维度决定in_size
# 层中单元个数决定out_size
# 指定激活函数af
def add_layer(inputs,in_size,out_size,af=None):
    Weights = tf.Variable(tf.random_normal([in_size,out_size]))
    biases = tf.Variable(tf.zeros([1,out_size])+0.1)
    # 输入的数据乘权值再加偏置
    Wx_plus_b = tf.matmul(inputs,Weights)+biases
    if af is None:
        outputs = Wx_plus_b
    else:
        outputs = af(Wx_plus_b)
    return outputs

import numpy as np
import matplotlib.pyplot as plt

# 构造输入数据
x_data = np.linspace(-1,1,300)[:,np.newaxis]
# 构造噪点
noise = np.random.normal(0,0.05,x_data.shape)
# 真实输出数据与输入data之间的关系：y=x^2-0.5
    #为了更接近于实际的数据添加一些噪点noise
y_data = np.square(x_data)-0.5+noise

# 构建模型
# 定义占位符：
    # None表示无论给多少个例子都ok，1表示数据的维度只有1
xs = tf.placeholder(tf.float32,[None,1])
ys = tf.placeholder(tf.float32,[None,1])
    # 第二层(隐藏层)：输入数据特征维度为1，隐藏层含10个单元数，
    # 用relu函数激活。每个单元需要1个w和1个b，params=20
layer1 = add_layer(xs,1,10,af=tf.nn.relu)
    # 第三层(输出层)：输入数据特征维度与前一层的单元个数一致，输出层含1个单元数
pre = add_layer(layer1,10,1,af=None)

# 定义损失
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-pre),reduction_indices=[1]))
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

fig = plt.figure()    # 生成一个图片框来显示数据
ax = fig.add_subplot(1,1,1)
ax.scatter(x_data,y_data)
# 想要连续的绘制曲线得调用
plt.ion()
plt.show()

# 初始所有变量
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
for i in range(1000):
    sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    if i % 20 == 0:
        try:
            ax.lines.remove(lines[0])  # 先抹除上一条线再绘制新的曲线
        except Exception:
            pass
        #   print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))
        # 每训练50步就获取一次模型的预测值
        pre_value = sess.run(pre, feed_dict={xs: x_data, ys: y_data})
        # 将预测的值用曲线的方式绘制到图像框中
        lines = ax.plot(x_data, pre_value, 'r-', lw=5)
        plt.pause(0.1)  # 暂停0.1秒

plt.pause(-1)

其中涉及到一些 matplotlib.pyplot绘图的内容

四、利用Tensorboard可视化模型
tensorflow是核心是构建图，利用tensorboard工具可显示出我们构造的图。
利用tf.name_scope()可指定模块的名称
代码：

构建模型

import tensorflow as tf
import numpy as np
def add_layer(inputs,in_size,out_size,af=None,layer_name):
	#利用tf.name_scope()可指定模块的名称
    with tf.name_scope(layer_name):
        with tf.name_scope("wights"):    #模块间可以嵌套
            Weights = tf.Variable(tf.random_normal([in_size,out_size]))
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1)
   
        # 输入的数据乘权值再加偏置
        Wx_plus_b = tf.matmul(inputs,Weights)+biases
        if af is None:
            outputs = Wx_plus_b
        else:
            outputs = af(Wx_plus_b)
        return outputs
# 构建模型
# 定义占位符：    
with tf.name_scope("inputs"):
    xs = tf.placeholder(tf.float32,[None,1],name="x_input") #指定名字“x_input”
    ys = tf.placeholder(tf.float32,[None,1],name="y_input")
layer1 = add_layer(xs,1,10,layer_name="layer_1",af=tf.nn.relu)  
pre = add_layer(layer1,10,"layer_2",1,af=None
# 定义损失
with tf.name_scope("loss"):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-pre),reduction_indices=[1]))
with tf.name_scope("train"):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

初始化并保存图

sess = tf.Session()
# 指定图形化保存路径
writer = tf.summary.FileWriter("logs/",sess.graph)
# 初始所有变量
sess.run(tf.initialize_all_variables())

运行完成之后，图默认保存在当前项目目录下的”logs/“文件夹中。
在这里插入图片描述

查看图
命令行下：先进入’logs/‘上一层目录，输入tensorboard --logdir=logs/，后回车

显示：

将该网址复制粘贴到游览器中。注意如果显示的不是’localhost’需要先将此电脑更名为”localhost“

我们构建的模型图就显示出来了！通过双击可查看各模块内的详细内容。
Tensorboard记录参数、loss训练中的变化
1). 参数：
利用 tf.summary.histogram()方法

def add_layer(inputs,in_size,out_size,layer_name,af=None):
    #利用tf.name_scope()可指定模块的名称
    with tf.name_scope(layer_name):
        with tf.name_scope("wights"):
            Weights = tf.Variable(tf.random_normal([in_size,out_size]))
            # 记录的该参数训练过程
            tf.summary.histogram(layer_name+'/weights',Weights)
        with tf.name_scope("biases"):
            biases = tf.Variable(tf.zeros([1,out_size])+0.1)
            tf.summary.histogram(layer_name+'/biases',biases)
            
        # 输入的数据乘权值再加偏置
        Wx_plus_b = tf.matmul(inputs,Weights)+biases
        if af is None:
            outputs = Wx_plus_b
        else:
            outputs = af(Wx_plus_b)
        return outputs

2). loss
loss与其它参数不同，利用 tf.summary.scalar()方法

# 定义损失
with tf.name_scope("loss"):
    loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-pre),reduction_indices=[1]))
    # 记录的该loss训练过程中的变化
    tf.summary.scalar('loss',loss)
with tf.name_scope("train"):
    train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

3). 合并与训练

sess = tf.Session()
# 将之前定义好的各种summary合并在一起，打包放在summary writer上
merged = tf.summary.merge_all()
# 指定图形化保存路径
writer = tf.summary.FileWriter("logs/",sess.graph)
# 初始所有变量
sess.run(tf.initialize_all_variables())

# 开始训练
for i in range(1000):
    sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
    if i % 50 == 0:
        result = sess.run(merged,feed_dict={xs:x_data,ys:y_data})
        writer.add_summary(result,i) #每隔i步记录一次训练数据(w、b、loss)

然后利用同样的方法查看图
在这里插入图片描述

在这里插入图片描述

四、 Classification 分类学习
线性回归针对的是一系列连续的预测值，如房子价格等。
分类问题针对的是某些特定的分类，如手写体识别。

五、卷积神经网络

有梦想的Programmer

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
tensorflow1.0入门学习

tensorflow1.0入门学习一、简介：tensorflow版本：2.3在2.x 版本下学习1.0的内容二、实现简单的梯度下降拟合线性函数：y=0.1*x+0.3效果：代码：import tensorflow.compat.v1 as tftf.disable_eager_execution() #禁用Tensorflow2 默认的即时执行模式import numpy as np# 自定义真实数据：# x_data:自定义一组数据,在tf中多使用float32，所以定制时也
复制链接

扫一扫