第一节，tensorflow基础构架

1、tensorflow结构

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  定义线性方程

#create tensorflow structure
Weights=tf.Variable(tf.random_uniform([1],-1.0,1.0)) #一维，范围[-1,1]
biases=tf.Variable(tf.zeros([1]))

y=Weights*x_data+biases

loss=tf.reduce_mean(tf.square(y-y_data))

#建立优化器，减小误差，提高参数准确度，每次迭代都会优化
optimizer=tf.train.GradientDescentOptimizer(0.5) #学习效率<1
train=optimizer.minimize(loss)

#初始化变量，定义的变量必须初始化，
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    #train
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run(Weights),sess.run(biases))

运行结果：

Weights趋于0.1，biases趋于0.3.

 

2、Session 必须开启会话才能输出结果

import tensorflow as tf

matrix1 = tf.constant([[3, 3]])
matrix2 = tf.constant([[2], [2]])

# matrix multiply矩阵相乘
# np.dot(m1,m2)
product = tf.matmul(matrix1, matrix2)

# # method 1
# sess = tf.Session()  # Session是一个object，首字母要大写
# # 只有sess.run()之后，tensorflow才会执行一次
# result = sess.run(product)
# print(result)
# # close 不影响，会显得更整洁
# sess.close()

# method 2
# with 可以自己关闭会话
with tf.Session() as sess:
    result2 = sess.run(product)
    print(result2)

 

3、Variable变量

定义变量，变量必须激活

init=tf.global_variables_initializer()

4、placeholder传入值

运行到sess.run()的时候再给输入

利用feed_dict绑定

# 给定type，tf大部分只能处理float32数据
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# Tensorflow 1.0 修改版
# tf.mul---tf.multiply
# tf.sub---tf.subtract
# tf.neg---tf.negative
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    # placeholder在sess.run()的时候传入值
    print(sess.run(output, feed_dict={input1: [7.], input2: [2.]}))
5、激励函数

简单的神经网络一般可以使用任何激励函数；

复杂的神经网络不能随意选择，会造成梯度爆炸和梯度消失的问题；

卷积神经网络中推荐使用relu激励函数；循环神经网络RNN：relu or tanh激励函数

 

转载于:https://www.cnblogs.com/wyx501/p/10435975.html