【神经网路】tensorflow实验6--TensorFlow基础

目录

实验6

1. 实验目的

2. 实验内容

3. 实验过程

题目一：

题目二：

拓展题(选做)：

4. 实验小结

---

实验6

1. 实验目的

掌握TensorFlow低阶API，能够运用TensorFlow处理数据以及对数据进行运算

2. 实验内容

①改变张量形状、维度变换和部分采样等

②张量加减乘除、幂指对数、多维向量乘法等运算

③使用TensorFlow求取张量在某个维度上或者全局的统计值

3. 实验过程

题目一：

使用TensorFlow张量运算计算w和b，并输出结果。

已知： 

x=[ 64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03]

y=[ 62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84]

计算：

其中和分别为x和y的均值，是x中索引值为i的元素，是y中索引值为i的元素。

(3)分别输出w和b的结果。

提示：正确的输出结果为w=0.83215  b=10.2340

① 代码

# x=[ 64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03]

# y=[ 62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84]

# 计算：

#

# 其中，xi是x中索引值为i的元素；yi是y中索引值为i的元素；n是张量中元素的个数。

# (3)分别输出W和b的结果。

import tensorflow as tf

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

x = (64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03)

y = (62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84)

x = tf.constant(x)  #创建x张量

y = tf.constant(y)  #创建y张量

def count_const():

    sum1 = 0

    sum2 = 0

    for i in range(0, 10):

        sum1 += (x[i] - tf.reduce_mean(x))*(y[i] - tf.reduce_mean(y))

        sum2 += (x[i] - tf.reduce_mean(x))*(x[i] - tf.reduce_mean(x))

    return  sum1/sum2

if __name__ == '__main__':

    x = (64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03)

    y = (62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84)

    x = tf.constant(x)  # 创建x张量

    y = tf.constant(y)  # 创建y张量

    w = count_const()

    b = tf.reduce_mean(y) - w*tf.reduce_mean(x)

    print('w的值是：'+str(w))

    print('b的值是：'+str(b))

② 实验结果

题目二：

使用TensorFlow张量运算计算w和b，并输出结果。

已知： 

x=[ 64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03]

y=[ 62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84]

计算:

其中，xi是x中索引值为i的元素；yi是y中索引值为i的元素；n是张量中元素的个数。

(3)分别输出w和b的结果。

① 代码

import tensorflow as tf

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

if __name__ == '__main__':

    x = (64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03)

    y = (62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84)

    x = tf.constant(x)  # 创建x张量

    y = tf.constant(y)  # 创建y张量

    n = int(tf.size(x))  # 求n的值

    sum_xy = 0

    sum_xx = 0

    for i in range(10):

        sum_xx += x[i]*x[i]

        sum_xy += x[i]*y[i]

    sum1 = (n*sum_xy)-(tf.reduce_sum(x)*tf.reduce_sum(y))

    sum2 = (n*sum_xx)- (tf.reduce_sum(x)*tf.reduce_sum(x))

    w = sum1/sum2

    b = (tf.reduce_sum(y) - w*tf.reduce_sum(x))/n

    print('w的值是：' + str(w))

    print('b的值是：' + str(b))

② 实验结果

拓展题(选做)：

在题目二的基础上，已知x、y、w、b，计算L的值并输出结果。

其中，xi是x中索引值为i的元素；yi是y中索引值为i的元素；n是张量中元素的个数

(2)输出L的值

提示:

L= -9.918....e-06

① 代码

import tensorflow as tf

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

def count_L(w,b):

    W_x = tf.multiply(w, x)  # w*xi

    W_x_b = tf.add(b, W_x)  # w*xi+b

    w_x_b_y = tf.subtract(W_x_b, y)  # w*xi+b-yi

    sum_l = tf.reduce_sum(w_x_b_y)  # 求和w*xi+b-yi

    sum_l = sum_l / n

    return sum_l

if __name__ == '__main__':

    x = (64.3, 99.6, 145.45, 63.75, 135.46, 92.85, 86.97, 144.76, 59.3, 116.03)

    y = (62.55, 82.42, 132.62, 73.31, 131.05, 86.57, 85.49, 127.44, 55.25, 104.84)

    x = tf.constant(x)

    y = tf.constant(y)

    n = int(tf.size(x))   #n的值

    sum_x = tf.reduce_sum(x)

    sum_y = tf.reduce_sum(y)

    sum_x2 = tf.reduce_sum(x*x)

    sum_xy = tf.reduce_sum(x*y)

    w = ((n*sum_xy)-(sum_x*sum_y))/((n*sum_x2)-(sum_x*sum_x))

    b = (sum_y-(w*sum_x))/n

    print(count_L(w,b))

② 实验结果

4. 实验小结

① 实验过程中遇到了哪些问题，你是如何解决的？

对张量计算中的函数运用不熟练，使得函数看起来很复杂，最后使用了张量计算函数之后是的函数简洁明了。

② TensorFlow和Numpy都可以对多维数组进行运算，他们各自的特点是什么？

相同点： 都提供n位数组

不同点： numpy支持ndarray，而Tensorflow里有tensor；

numpy不提供创建张量函数和求导，也不提供GPU支持。

③ 在题目基本要求的基础上，你对每个题目做了那些扩展和提升？或者你觉得在编程实现过程中，还有哪些地方可以进行优化？(可以从如何提高代码的简洁度来谈谈这个问题)

张量计算有着专门的函数，张量函数可以使得代码更简单，可以更加快速的得到想要的值。