tensorflow实战例子

最新推荐文章于 2024-06-18 16:59:44 发布
最新推荐文章于 2024-06-18 16:59:44 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—例子
qq_34018578的博客
09-12 3154
1、第一个例子:预测一个线性直线y=0.1*x+0.3   还没来得及去学习tensorflow的基础，便直接上手例子了。有点小吃力，但参照着B站莫烦的python教学视频(https://www.bilibili.com/video/av16001891/?p=10 例子5反复看了至少3回，原谅奔三的我，日益消退的理解和消化能力。。)，感谢天地，看懂了并亲手实现了第一个人工神经网络训练的例子。...
tensorflow examples
方品
01-09 2763
mnist之于机器学习，便如同hello world之于程序语言。 code本文主要是代码汇总，不涉及具体理论。主要内容如下：1）线性回归2）logistic回归3）人工神经网络4）cnn5）双端lstm6）模型的保存和加载7）其他 word2vec https://github.com/fangpin/daily_programs/blob/master/python/tensorflow/wor
TensorFlow 介绍 及其简单应用 附实例
Wis57的博客
10-01 1866
TensorFlow是一种基于数据流编程的开源软件库，是人工智能领域中的重要工具，广泛应用于深度学习、自然语言处理等领域。
TensorFlow示例：Tensorflow实例
02-03
Tensorflow实例 基础 变量 TensorBoard的使用 调试 -[未完] 初级实例 跑实例时一步一步解析每一行代码，包括每个一个变量，每一个函数每一步的运行结果写在后面注释里面 机器学习 张量板 算法相关 [聂彬-认领] [张夏旭-认领]-完成 -[魏杨-认领] 卷积神经网络-[魏杨-认领] [聂彬-认领] [聂彬-认领] [张夏旭-认领] -[王凯-认领] -[王凯-认领] -[王凯-认领] 本项目为开源项目：由[Tensorflow学生会]管理更新，TF爱好者参与 一个DNN的分类示例介绍内容：构造一个四层的DNN，用Python读取一份分类数据，并feed给DNN。一步步解析每一行代码，包括每个一个变量，每个一个函数 一个CNN的分类例子（MNIST）介绍内容：代码，并一步步解析每一行代码，包括每个一个变量，每个一个函数。 转换image成tfrecord的例子 读tfrecords，并训练网络使用tfrecords 结束其他需要修改的大家提出来
TensorFlow的深度解析与应用
最新发布
2301_78863619的博客
06-18 780
TensorFlow是由Google Brain团队开发的开源机器学习框架，用于进行高性能的数值计算。其名称来源于它的核心数据结构——张量（Tensor），以及计算流程图（Flow）的概念。TensorFlow支持分布式计算，可以运行在各种硬件平台上，包括CPU、GPU和TPU（Tensor Processing Unit）。灵活性：TensorFlow支持动态计算图，允许在运行时改变计算流程。高效性。
Tensorflow 实例
风口上的传奇
07-13 3199
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...
我的Tensorflow学习之路
热门推荐
大学之道，在明明德
09-27 2万+
最近两年深度学习真的是火的不要不要的，关于深度学习，每个人都有自己的看法。有人说就是炼丹，得个准确率召回率什么的，拿到实际中，问问为什么，都答不上来。各种连代码都没写过的人，也纷纷表示这东西就是小孩堆积木，然后整个大功耗的服务器跑上几天，调调参数。然后每个实验室招生，都说自己是做什么深度学习，机器 学习，大数据分析的，以此来吸引学生。可是可是，他们实验室很可能连一块 GPU 都没有。 小时候，我
Tensorflow 入门学习14.TensorFlow实现LeNet5实例
编程圈子-谢厂节的博客
10-02 3636
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。
Tensorflow示例程序
02-01
三个Tensorflow小程序：手写体识别、猫㺃识别、人脸识别。
Tensorflow项目实战-文本分类
05-03
购买课程后，添加小助手微信（微信号：csdn500）回复【唐宇迪】进入学习群，获取唐宇迪老师社群答疑Tensorflow项目实战视频培训教程，该课程使用Tensorflow从零开始完成垃圾邮件分类任务，首先讲解如何使用卷积神经网络来处理文本数据，讲解整理网络架构以及构建细节。基于Tensorflow实例演示如何进行数据读取，处理并搭建完整的网络模型，后构建训练模块完成对文本数据的分类任务。
tensorflow基础实例（一）
weixin_39121325的博客
05-16 5593
在这篇文章中主要是讲解TensorFlow的基础，常用的session，常量的定义，模型的生成，以及模型的保存，并且如何查看模型 中的实际保存的内容。 一、 TensorFlow 模型 TensorFlow的命名来源于本身的运行原理。tensor（张量）表示的是N维数组，Flow(流)意味着基于数据流图的计算。 Tensorflow是张量从图像的一端流动到另一端的...
干货 | TensorFlow的55个经典案例
huaweitman的专栏
03-05 5612
https://mp.weixin.qq.com/s/Qdo1vks94tbGkzXEiuQV7w
数十种TensorFlow实现案例汇集：代码+笔记
Jingle的专栏
10-18 1万+
2016-10-17 13:08:31    开源    0 0 0 这是使用 TensorFlow 实现流行的机器学习算法的教程汇集。本汇集的目标是让读者可以轻松通过案例深入 TensorFlow。 这些案例适合那些想要清晰简明的 TensorFlow 实现案例的初学者。本教程还包含了笔记和带有注解的代码。 项目地址：https://github.com/
Tensorflow实例-搭建神经网络
qq_37969662的博客
11-17 762
Tensorflow 莫凡学习 本篇文章详解讲解了tensorflow的一个简单的实例，具体视频请见B站——Tensorflow 搭建自己的神经网络 (莫烦 Python 教程)。 所采用的框架是 Win10 + Tensorflow1.13 + Pycharm，目标是对Y = x*x 函数进行学习后的拟合。 1、定义层进行修改 def add_layer(inputs, in_size, out_size, activation_function = None): Weights = tf.Variabl
TensorFlow使用案例
qq_30011515的博客
01-28 668
一、TensorFlow-word2vec 连续词袋模型（CBOW）：根据词的上下文词汇来预测目标词汇，例如上下文词汇是“今天早餐吃__”，要预测的目标词汇可能 是“面包“； Skip-Gram模型：Skip-Gram模型刚好和CBOW相反，它是通过目标词汇来预测上下文词汇。例如目标词汇是“早餐” ，上下文词汇可能是“今天”和“吃面包”： Word2vec模型 训练Word2vec模型我们通常可以选择使用噪声对比估计（Noise Contrastive Estimation）：NCE使用的方法是把上下文
TensorFlow简单实例（绝对易懂，看完就会了）
零碎@流年絮语 的博客
01-21 5059
TensorFlow简单实例： 在TensorFlow的世界里，变量的定义和初始化是分开的，所有关于图变量的赋值和计算都要通过tf.Session的run来进行。想要将所有图变量进行集体初始化时应该使tf.global_variables_initializer。 简单实例： import tensorflow as tf from tensorflow.examples.tutorials.mn...
tensorflow实战项目
05-26
以下是几个基于 TensorFlow 的实战项目： 1. 图像分类：使用 TensorFlow 构建卷积神经网络 (CNN) 模型，对图像进行分类，例如识别手写数字、识别动物等。 2. 目标检测：使用 TensorFlow Object Detection API，训练一个目标检测模型，用于检测和识别图像或视频中的物体。 3. 文本分类：使用 TensorFlow 构建循环神经网络 (RNN) 模型，对文本进行分类，例如情感分析、垃圾邮件分类等。 4. 机器翻译：使用 TensorFlow 构建 seq2seq 模型，用于将一种语言翻译成另一种语言。 5. 强化学习：使用 TensorFlow 和 OpenAI Gym，训练一个智能体，在游戏或者其他场景中实现强化学习，例如训练一个玩 Atari 游戏的 AI。 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。
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