TensorFlow简易学习[1]:基本概念和操作示例

最新推荐文章于 2024-11-04 10:51:20 发布

weixin_30457465

最新推荐文章于 2024-11-04 10:51:20 发布

阅读量95

点赞数

文章标签：人工智能操作系统 python

原文链接：http://www.cnblogs.com/space-place/p/7889707.html

版权

简介

　　TensorFlow是一个实现机器学习算法的接口，也是执行机器学习算法的框架。使用数据流式图规划计算流程，可以将计算映射到不同的硬件和操作系统平台。

主要概念

　　TensorFlow的计算可以表示为有向图(directed graph)，或者计算图(computation graph)，计算图描述了数据的就算流程，其中每个运算操作(operation)作为一个节点(node)，节点与节点之间连接称为边(edge)。在计算图变中流动(flow)的数据被称为张量(tensor），故称TensorFlow。

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　计算图实例[ref1]

　　具体说，在一次运算中[ref2]：

　　　　1. 使用图 (graph) 来表示计算任务：基本操作示例；

　　　　2. 在被称之为 会话 (Session) 的上下文 (context) 中执行图：基本操作示例；

　　　　3. 通过 变量 (Variable) 维护状态：基本操作示例。

代码实例

完整示例：

#!/usr/bin/pyton

'''
A simple example(linear regression) to show the complete struct that how to run a tensorflow

create_data -> create_tensorflow_struct->start session
create date: 2017/10/20

'''

import tensorflow as tf import numpy as np #create data  x_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.1 + 0.3 ###create tensorflow structure begin## Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0)) biases = tf.Variable(tf.zeros([1])) y = Weights*x_data + biases loss = tf.reduce_mean(tf.square(y-y_data)) optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) #when define variables, initialize must be called #init = tf.initialize_all_variables() ### create tensorflow structure end ###  sess = tf.Session() #note: initialize_local_variables no more support in new version if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1: init = tf.initialize_all_variables() else: init = tf.global_variables_initializer() sess.run(init) for step in range(201): sess.run(train) if step % 20 == 0: #session controls all opertions and varilables print(step, sess.run(Weights), sess.run(biases)) sess.close()

　　计算结果：

基本操作示例

　　Session操作：　

#!/usr/bin/python

'''
A example to show how to call session

create date: 2017/10/20
'''

import tensorflow as tf #1. 定义一个操作 m1 = tf.constant([[2, 2]]) m2 = tf.constant([[3], [3]]) dot_opeartion = tf.matmul(m1, m2) #2. 调用session实现 # 图画好以后，需要通过session来控制执行，让图来运行 # 另外每一个图中的操作都需要通过session来控制 # print result #method1 use session sess = tf.Session() result = sess.run(dot_opeartion) print(result) sess.close() #method2 use session with tf.Session() as sess: result_ = sess.run(dot_opeartion) print(result_) 

##output
[[12]]
[[12]]

　　Placeholder操作

#!/usr/bin/python

'''
A example to show how to call placehoder(类似于占位符)

create date: 2017/10/20
'''

import tensorflow as tf #1. 声明placehoder:待传入值 x1 = tf.placeholder(dtype=tf.float32, shape=None) y1 = tf.placeholder(dtype=tf.float32, shape=None) z1 = x1 + y1 x2 = tf.placeholder(dtype=tf.float32, shape=None) y2 = tf.placeholder(dtype=tf.float32, shape=None) z2 = tf.matmul(x2, y2) #2. 调用session，传入值 with tf.Session() as sess: #when only one operation to run #feed_dict: input the values into placeholder z1_value = sess.run(z1, feed_dict={x1: 1, y1:2}) # when run multiple operaions #run the two opeartions together z1_value, z2_value = sess.run( [z1, z2], feed_dict={ x1:1, y1:2, x2:[[2],[2]], y2:[[3,3]] } ) print(z1_value) print(z2_value)

　　Variable操作

#!/usr/bin/python

'''
A example to show how to call variables

create date: 2017/10/20
'''

import tensorflow as tf # 1.stuct #our first variable in the "global_variable" set var = tf.Variable(0) add_operation = tf.add(var,1) #把add_operation值给var update_operation = tf.assign(var, add_operation) # once define variables, you have to initialize them by doing this init = tf.global_variables_initializer() # 2. call session with tf.Session() as sess: sess.run(init) for count in range(3): sess.run(update_operation) print(sess.run(var))