tensorflow example

2019独角兽企业重金招聘Python工程师标准>>>

python 3.6  tensorflow 1.6

1、线性回归

import tensorflow as tf
import numpy as np

"""流程 随机产生一组样本（矩阵），x （2，100） y （100），给定w （1，2） b 
要求W和B 用来拟合w,b"""
"""数据准备，使用numpy随机获得数据"""

normal_data = np.random.rand(2, 100)  # 获取随机数据
random_data = normal_data.reshape(2, 100)
# print(random_data)
# random_data.dtype = np.float32  # 这是错误的！！！！ 不能通过该方法转变数据长度
x_data = random_data.astype(np.float32)  # 只能通过这种方法转换数据类型
# print(x_data)
a_data = np.array([0.100, 0.200]).reshape(1, 2)  # 转变矩阵shape
y_data = np.dot(a_data, x_data) + 0.300  # dot函数是np中的矩阵乘法  广播加法
# print(y_data)


"""使用tensorflow,构造一个线性模型。"""
b = tf.Variable(0.0, dtype=np.float32)  # 定义一个一维变量，若被初始化，则为0
uniform_data = tf.random_uniform([1, 2], -1.0, 1.0)  # 定义一个变量，若变量被初始化，则里面数据符合正态分布
W = tf.Variable(np.array([0.1000001, 0.20000015], dtype=np.float32).reshape(1, 2), dtype=np.float32)  # 定义一个（1，2）维变量
y = tf.matmul(W, x_data) + b  # matmul 和dot 都是向量相乘？这里不能获得结果，只能获得一个tensor.即数据的转变过程
# print(y)

"""求解线性模型"""
# 设置损失函数：误差的均方差
loss = tf.reduce_mean(tf.square(y - y_data))
# 选择梯度下降的方法
# learning_rate = 1e-3
global_step = tf.Variable(0, trainable=False)
starter_learning_rate = 0.1
learning_rate = tf.train.exponential_decay(starter_learning_rate, global_step,
                                           100000, 0.96, staircase=True)
optimizer = tf.train.GradientDescentOptimizer(learning_rate)  # 定义一个梯度下降优化器
# 迭代的目标：最小化损失函数
train = optimizer.minimize(loss)
############################################################
# 以下是用 tf 来解决上面的任务
# 1.初始化变量：tf 的必备步骤，主要声明了变量，就必须初始化才能用
init = tf.global_variables_initializer()

# 设置tensorflow对GPU的使用按需分配
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
# 2.启动图 (graph)
with tf.Session(config=config) as sess:
    sess.run(init)
    # print(sess.run(W))
    # print(sess.run(b))
    # print(x_data)
    # print(sess.run(y))
    # 3.迭代，反复执行上面的最小化损失函数这一操作（train op）,拟合平面
    for step in range(0, 20000):
        sess.run(train)
        if step % 20 == 0:
            los = sess.run(y - y_data)
            W_value = W.eval(sess)
            b_value = b.eval(sess)
            print(sess.run(learning_rate))  # 看样子不会变
            print(step, W_value, b_value)

    # 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

2，求和

import tensorflow as tf

input1 = tf.constant(2.0)
input2 = tf.constant(3.0)
input3 = tf.constant(5.0)

intermd = tf.add(input1, input2)
mul = tf.multiply(intermd, input3)
with tf.Session() as sess:
    print(sess.run(intermd))
    print(sess.run(mul))
    result = sess.run([mul, intermd])  
    print(result)
    print(type(result))
    print(type(result[0]))

3、变量常量

import tensorflow as tf

# 创建变量，初始化为0
state = tf.Variable(0, name="counter")

# 创建一个 op , 其作用是时 state 增加 1
one = tf.constant(1)  # 直接用 1 也就行了
new_value = tf.add(state, 1)
update = tf.assign(state, new_value) #修改变量的值
# 启动图之后， 运行 update op
with tf.Session() as sess:
    # 创建好图之后，变量必须经过‘初始化’
    sess.run(tf.global_variables_initializer())
    # 查看state的初始化值
    print(sess.run(state))
    for _ in range(3):
        print(sess.run(update))  # 这样子每一次运行state 都还是1
        print(sess.run(state))

3、常用操作

import tensorflow as tf

"""对一下数组的平方求和之后再求平均值"""
h_vec = tf.constant([1.0, 2.0, 3.0, 4.0], dtype=tf.float32)
"""首先计算各个数的平方的和"""
tens_sq_sum = tf.Variable(initial_value=0, dtype=tf.float32)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    constant = sess.run(h_vec)
    constant_length = len(constant)  # 获得总长度
    for i in range(constant_length):
        num = constant[i]
        sq_num = tf.square(num)
        tmp_value = tf.add(tens_sq_sum, sq_num)
        tens_sq_sum = tf.assign(tens_sq_sum, tmp_value)
    print(sess.run(tens_sq_sum))

"""另一种方法"""
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    sq = sess.run(tf.square(h_vec))
    len = len(sq)
    sum = 0
    for i in range(len):
        sum = sum + sq[i]
    print(sum)

5、InteractiveSession

import tensorflow as tf

a = tf.constant(1.0)
b = tf.constant(2.0)
c = a + b

# 下面的两种情况是等价的
with tf.Session():
    print(c.eval())

sess = tf.InteractiveSession()
print(c.eval())
sess.close()

a = tf.constant(1.0)
b = tf.constant(2.0)
c = tf.Variable(3.0)
d = a + b

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())

###################
# 这样写是错误的
# print a.run()
# print d.run()

####################

# 这样才是正确的
print(a.eval())
print(d.eval())

# run() 方法主要用来
x = tf.Variable(1.2)
# print x.eval()  # 还没初始化，不能用
x.initializer.run()  # x.initializer 就是一个初始化的 op， op才调用run() 方法
print(x.eval())

sess.close()

h_sum = tf.Variable(0.0, dtype=tf.float32)
# h_vec = tf.random_normal(shape=([10]))
h_vec = tf.constant([1.0, 2.0, 3.0, 4.0])
# 把 h_vec 的每个元素加到 h_sum 中，然后再除以 10 来计算平均值
# 待添加的数
h_add = tf.placeholder(tf.float32)
# 添加之后的值
h_new = tf.add(h_sum, h_add)
# 更新 h_new 的 op
update = tf.assign(h_sum, h_new)

sess = tf.InteractiveSession()
sess.run(tf.global_variables_initializer())
print('s_sum =', h_sum.eval())
print("vec = ", h_vec.eval())
print("vec = ", h_vec[0].eval())

for _ in range(4):
    update.eval(feed_dict={h_add: h_vec[_].eval()})
    print('h_sum =', h_sum.eval())
sess.close()

6、变量赋值操作

import tensorflow as tf

input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)

with tf.Session() as sess:
    print(sess.run([output], feed_dict={input1: [7.0], input2: [2.0]}))
with tf.Session() as sess:
    result = sess.run(output, feed_dict={input1: 7.0, input2: 2.0})
    print(type(result))
    print(result)

转载于:https://my.oschina.net/marjeylee/blog/1637892