tensorflow实战例子

最新推荐文章于 2024-04-17 21:45:26 发布
最新推荐文章于 2024-04-17 21:45:26 发布
阅读量2.6k 收藏 24
点赞数 2
分类专栏： tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u014168855/article/details/106095905
版权

tensorflow实战

1.简单线性回归

（1）数据准备

实际的数据大家可以通过pandas等package读入，也可以使用自带的Boston House Price数据集，这里为了简单，我们自己手造一点数据集。

%matplotlib inline
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
plt.rcParams["figure.figsize"] = (14,8)

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)
plt.scatter(xs, ys)
plt.show()

在这里插入图片描述

（2）准备好placeholder

X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')

（3）初始化参数/权重

W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

（4）计算预测结果

Y_pred = tf.add(tf.multiply(X, W), b)

（5）计算损失函数值

loss = tf.square(Y - Y_pred, name='loss')

（6）初始化optimizer

learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

（7）指定迭代次数，并在session里执行graph

n_samples = xs.shape[0]
with tf.Session() as sess:
	# 记得初始化所有变量
	sess.run(tf.global_variables_initializer()) 
	
	writer = tf.summary.FileWriter('./graphs/linear_reg', sess.graph)
	
	# 训练模型
	for i in range(50):
		total_loss = 0
		for x, y in zip(xs, ys):
			# 通过feed_dic把数据灌进去
			_, l = sess.run([optimizer, loss], feed_dict={X: x, Y:y}) 
			total_loss += l
		if i%5 ==0:
			print('Epoch {0}: {1}'.format(i, total_loss/n_samples))

	# 关闭writer
	writer.close() 
	
	# 取出w和b的值
	W, b = sess.run([W, b])

在这里插入图片描述

2.多项式回归

对于非线性的数据分布，用线性回归拟合程度一般，我们来试试多项式回归

（1）数据准备

%matplotlib inline
import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
plt.rcParams["figure.figsize"] = (14,8)

n_observations = 100
xs = np.linspace(-3, 3, n_observations)
ys = np.sin(xs) + np.random.uniform(-0.5, 0.5, n_observations)
plt.scatter(xs, ys)
plt.show()

在这里插入图片描述

（2）准备好placeholder

X = tf.placeholder(tf.float32, name='X')
Y = tf.placeholder(tf.float32, name='Y')

（3）初始化参数/权重

W = tf.Variable(tf.random_normal([1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

（4）计算预测结果

Y_pred = tf.add(tf.multiply(X, W), b)
#添加高次项
W_2 = tf.Variable(tf.random_normal([1]), name='weight_2')
Y_pred = tf.add(tf.multiply(tf.pow(X, 2), W_2), Y_pred)
W_3 = tf.Variable(tf.random_normal([1]), name='weight_3')
Y_pred = tf.add(tf.multiply(tf.pow(X, 3), W_3), Y_pred)

（5）计算损失函数值

sample_num = xs.shape[0]
loss = tf.reduce_sum(tf.pow(Y_pred - Y, 2)) / sample_num

（6）初始化optimizer

learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss)

（7）指定迭代次数，并在session里执行graph

n_samples = xs.shape[0]
with tf.Session() as sess:
	# 记得初始化所有变量
	sess.run(tf.global_variables_initializer()) 
	
	writer = tf.summary.FileWriter('./graphs/polynomial_reg', sess.graph)
	
	# 训练模型
	for i in range(1000):
		total_loss = 0
		for x, y in zip(xs, ys):
			# 通过feed_dic把数据灌进去
			_, l = sess.run([optimizer, loss], feed_dict={X: x, Y:y}) 
			total_loss += l
		if i%20 ==0:
			print('Epoch {0}: {1}'.format(i, total_loss/n_samples))

	# 关闭writer
	writer.close()
    # 取出w和b的值
	W, W_2, W_3, b = sess.run([W, W_2, W_3, b])

在这里插入图片描述

print("W:"+str(W[0]))
print("W_2:"+str(W_2[0]))
print("W_3:"+str(W_3[0]))
print("b:"+str(b[0]))

在这里插入图片描述

plt.plot(xs, ys, 'bo', label='Real data')
plt.plot(xs, xs*W + np.power(xs,2)*W_2 + np.power(xs,3)*W_3 + b, 'r', label='Predicted data')
plt.legend()
plt.show()

在这里插入图片描述

3.逻辑回归

（1）数据准备

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

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import time
#使用tensorflow自带的工具加载MNIST手写数字集合
mnist = input_data.read_data_sets('/data/mnist', one_hot=True)

在这里插入图片描述

#查看一下数据维度
mnist.train.images.shape

在这里插入图片描述

#查看target维度
mnist.train.labels.shape

在这里插入图片描述

（2）准备好placeholder

batch_size = 128
X = tf.placeholder(tf.float32, [batch_size, 784], name='X_placeholder') 
Y = tf.placeholder(tf.int32, [batch_size, 10], name='Y_placeholder')

（3）初始化参数/权重

w = tf.Variable(tf.random_normal(shape=[784, 10], stddev=0.01), name='weights')
b = tf.Variable(tf.zeros([1, 10]), name="bias")

（4）拿到每个类别的score

logits = tf.matmul(X, w) + b

（5）计算多分类softmax的loss function

# 求交叉熵损失
entropy = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y, name='loss')
# 求平均
loss = tf.reduce_mean(entropy)

（6）初始化optimizer

这里的最优化用的是随机梯度下降，我们可以选择AdamOptimizer这样的优化器

learning_rate = 0.01
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(loss)

（7）指定迭代次数，并在session里执行graph

#迭代总轮次
n_epochs = 30

with tf.Session() as sess:
	# 在Tensorboard里可以看到图的结构
	writer = tf.summary.FileWriter('./graphs/logistic_reg', sess.graph)

	start_time = time.time()
	sess.run(tf.global_variables_initializer())	
	n_batches = int(mnist.train.num_examples/batch_size)
	for i in range(n_epochs): # 迭代这么多轮
		total_loss = 0

		for _ in range(n_batches):
			X_batch, Y_batch = mnist.train.next_batch(batch_size)
			_, loss_batch = sess.run([optimizer, loss], feed_dict={X: X_batch, Y:Y_batch}) 
			total_loss += loss_batch
		print('Average loss epoch {0}: {1}'.format(i, total_loss/n_batches))

	print('Total time: {0} seconds'.format(time.time() - start_time))

	print('Optimization Finished!')

	# 测试模型
	
	preds = tf.nn.softmax(logits)
	correct_preds = tf.equal(tf.argmax(preds, 1), tf.argmax(Y, 1))
	accuracy = tf.reduce_sum(tf.cast(correct_preds, tf.float32))
	
	n_batches = int(mnist.test.num_examples/batch_size)
	total_correct_preds = 0
	
	for i in range(n_batches):
		X_batch, Y_batch = mnist.test.next_batch(batch_size)
		accuracy_batch = sess.run([accuracy], feed_dict={X: X_batch, Y:Y_batch}) 
		total_correct_preds += accuracy_batch[0]
	
	print('Accuracy {0}'.format(total_correct_preds/mnist.test.num_examples))

	writer.close()

在这里插入图片描述

4.多层感知机

（1）数据准备

import numpy as np
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import time
#使用tensorflow自带的工具加载MNIST手写数字集合
mnist = input_data.read_data_sets('/data/mnist', one_hot=True)

在这里插入图片描述

#查看一下数据维度
mnist.train.

在这里插入图片描述

（2）准备好placeholder

X = tf.placeholder(tf.float32, [None, 784], name='X_placeholder') 
Y = tf.placeholder(tf.int32, [None, 10], name='Y_placeholder')

（3）初始化参数/权重

# 网络参数
n_hidden_1 = 256 # 第1个隐层
n_hidden_2 = 256 # 第2个隐层
n_input = 784 # MNIST 数据输入(28*28*1=784)
n_classes = 10 # MNIST 总共10个手写数字类别

weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1]), name='W1'),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2]), name='W2'),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]), name='W')
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1]), name='b1'),
    'b2': tf.Variable(tf.random_normal([n_hidden_2]), name='b2'),
    'out': tf.Variable(tf.random_normal([n_classes]), name='bias')
}

（4）构建网格计算graph

def multilayer_perceptron(x, weights, biases):
    # 第1个隐层，使用relu激活函数
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'], name='fc_1')
    layer_1 = tf.nn.relu(layer_1, name='relu_1')
    # 第2个隐层，使用relu激活函数
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'], name='fc_2')
    layer_2 = tf.nn.relu(layer_2, name='relu_2')
    # 输出层
    out_layer = tf.add(tf.matmul(layer_2, weights['out']), biases['out'], name='fc_3')
    return out_layer

（5）拿到预测类别score

pred = multilayer_perceptron(X, weights, biases)

（6）计算损失函数值并初始化optimizer

learning_rate = 0.001
loss_all = tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=Y, name='cross_entropy_loss')
loss = tf.reduce_mean(loss_all, name='avg_loss')
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(loss)

（7）初始化变量

init = tf.global_variables_initializer()

（8）在session中执行graph定义的运算

#训练总轮数
training_epochs = 15
#一批数据大小
batch_size = 128
#信息展示的频度
display_step = 1

with tf.Session() as sess:
    sess.run(init)
    writer = tf.summary.FileWriter('./graphs/MLP_DNN', sess.graph)

    # 训练
    for epoch in range(training_epochs):
        avg_loss = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # 遍历所有的batches
        for i in range(total_batch):
            batch_x, batch_y = mnist.train.next_batch(batch_size)
            # 使用optimizer进行优化
            _, l = sess.run([optimizer, loss], feed_dict={X: batch_x, Y: batch_y})
            # 求平均的损失
            avg_loss += l / total_batch
        # 每一步都展示信息
        if epoch % display_step == 0:
            print("Epoch:", '%04d' % (epoch+1), "cost=", \
                "{:.9f}".format(avg_loss))
    print("Optimization Finished!")

    # 在测试集上评估
    correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(Y, 1))
    # 计算准确率
    accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
    print("Accuracy:", accuracy.eval({X: mnist.test.images, Y: mnist.test.labels}))
    writer.close()

在这里插入图片描述

bingxiash
关注
  • 2
    点赞
  • 踩
  • 24
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TensorFlow的实战（详细代码）
2301_81887304的博客
12-27 2854
TensorFlow中的计算可表示为一个有向图(计算图)，其中每个运算操作为一个节点，每个节点可有任意多个输入和输出；在计算图的边中流动(flow)的数据被称为张量(tensor)，tensor在计算图中flow，故命名为TensorFlow；Session是用户使用TensorFlow的交互式接口，可通过Session的Extend方法添加新的节点和边；反复执行计算图时一般的tensor不会被持续保留，Variable中的数据tensor会被保存。自编码器，即可以使用自身的高阶特征编码自己。
干货 | TensorFlow的55个经典案例
huaweitman的专栏
03-05 5599
https://mp.weixin.qq.com/s/Qdo1vks94tbGkzXEiuQV7w
Tensorflow 实例
风口上的传奇
07-13 3195
Tensorflow 简介 TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。 TensorFlow可被用...
TensorFlow 的基本概念和使用场景
最新发布
helloworld工程师的博客
04-17 1116
TensorFlow 是一个用于数值计算的开源软件库，最初由 Google 为机器学习研究开发。TensorFlow 允许用户创建复杂的神经网络模型，通过数据流图进行计算，其中节点代表数学操作，边代表数据流。
Tensorflow 入门学习14.TensorFlow实现LeNet5实例
编程圈子-谢厂节的博客
10-02 3615
本文学习内容来自《TensorFlow深度学习应用实践》 本节逐步对LeNet中的每一层进行分解，会对神经元的个数、隐藏层的层数以及学习率等神经网络关键参数做出调整，观察模型训练的时间。 ...
TensorFlow常用操作：代码示例
qq_43660987的博客
06-15 331
1，定义矩阵代码示例： import tensorflow as tf tf.zeros([3,4]) #定义3行4列元素均为0的矩阵 tensor=tf.constant([1,2,3,4])#定义一维向量常量 #'tensor' =[[1,2,3],[4,5,6]] tf.ones_like(tensor) #定义大小和tensor变量大小相同的元素均为1的矩阵 tensor1=tf...
Tensorflow简单示例
ai_XZP_master
05-07 254
#Tensorflow示例如下：#为了使用tensorflow，首先我们需要导入它import tensorflow as tfimport numpy as np#使用numpy生成100个随机点x_data = np.random.rand(100)y_data = x_data*0.1 + 0.2#构造一个线性模型b = tf.Variable(0.)k = tf.Variable(0.)y...
TensorFlow实战仿照例子的一些TensorFlow实践
03-10
1、资源内容：基于TensorFlow实战仿照例子的一些TensorFlow实践 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压...
TensorFlow 实战之实现卷积神经网络的实例讲解
09-20
卷积神经网络（CNN，Convolutional Neural Network）是一种深度学习模型，特别适用于图像处理和计算机视觉任务。它借鉴了生物视觉系统的工作机制，其中的感受野概念源自对猫视觉皮层的研究，指的是神经元仅对图像的...
Tensorflow 实战 2017(黄文坚)
12-16
本文介绍了TensorFlow的基础原理与应用，并侧重于结合实际例子讲解使用TensorFlow的方法。
使用 TensorFlow 构建机器学习项目：1~5
龙哥盟
04-15 2633
原文：Building Machine Learning Projects with TensorFlow 协议：CC BY-NC-SA 4.0 译者：飞龙 本文来自【ApacheCN 深度学习 译文集】，采用译后编辑（MTPE）流程来尽可能提升效率。 不要担心自己的形象，只关心如何实现目标。——《原则》，生活原则 2.3.c 一、探索和转换数据 TensorFlow 是用于使用数据流图进行数值计算的开源软件库。 图中的节点表示数学运算，而图的边缘表示在它们之间传递的多维数据数组（张量）。 该库包含各种
TensorFlow简单应用实例
07-23
TensorFlow的一个简单应用实例，基于Python2.7和TensorFlow1.3.0。随机产生32组生产出的零件的体积和重量，训练5000轮，每500轮输出一次损失函数。输出结果在文件的下面。
基于tensorflow的深度学习图像分类案例
09-07
基于tensorflow的深度学习图像分类案例，适合初学！
tensorflow_examples:TensorFlow的培训代码和文件
03-08
tensorflow_examples TensorFlow的培训代码和文件
tensorflow examples
03-18
tensorflow的例子，本人运行环境：16.04.1-Ubuntu, python2.7, pycharm, tensorflow 1.2
tensorflow的使用-鸢尾花分类问题
weixin_42255252的博客
12-10 1405
引入和解析训练数据集 下载数据集 使用tf.keras.utils.get_file 函数下载训练数据集文件。该函数会返回下载文件的文件路径： train_dataset_url = "https://storage.googleapis.com/download.tensorflow.org/data/iris_training.csv" train_dataset_fp = tf.keras...
深度学习从入门到精通+TensorFlow案例演示：微积分
Lee达森的博客
01-27 966
是描述函数某一点的变化率，借由微分可以得到特定点的斜率。在机器学习中，微分在求解的过程中占有举足轻重的地位，因。用以下微分的定理，就可以轻易解出上述范例的一阶导数，相。中占有举足轻重的地位，常用来计算各特征变量的梯度，进而。好，所以它是一个最小化的问题，所以，我们可以利用偏微分。积分则是微分的相反运算，与微分互为逆运算，微分用于斜率。或梯度的计算，积分则可以计算长度、面积、体积，也可以用。的功能，用以计算各特征变量的梯度，进而求得模型的权重。）限定范围的积分：先求积分，再将上、下限代入多项式，
Tensorflow三种建模方式实例（鸢尾花卉数据集）
weixin_47408850的博客
05-23 470
一、顺序模型 from sklearn import datasets import numpy as np import tensorflow as tf from tensorflow.keras import layers iris = datasets.load_iris() data = iris.data labels = iris.target data = np.concatenate((data,labels.reshape(150,1)),axis=-1) np.random.shu
基于TensorFlow的2个机器学习简单应用实例
AMG_GT的博客
12-10 1848
根据数据建立了一个线性模型，并设计了一个损失模型。 在我们的线性模型 y=W×x+b中，不断的改变W和b的值，来找到一个使loss最小的值。使用梯度下降(Gradient Descent)优化算法，通过不断的改变模型中变量的值，来找到最小损失值。 1、实例一 #引入TensorFlow模块 import tensorflow as tf #创建节点保存W和b，并初始化 W = tf.Var...
tensorflow实战项目
05-26
以下是几个基于 TensorFlow 的实战项目： ...以上项目都是 TensorFlow 实战项目的典型例子，涵盖了深度学习的各个领域。通过这些项目，可以学习到 TensorFlow 的基本使用方法，并在实践中掌握深度学习的应用技能。

“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

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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