1:
一个例子
import tensorflow as tf
import numpy as np
# 随机生成数据,100个点,x,y
x_data = np.float32(np.random.rand(2, 100)) #np.random.rand(d0,d1,...,dn) 随机生成n维矩阵
y_data = np.dot([0.100, 0.200], x_data) + 0.300 #np.dot() 矩阵相乘
# 构造一个线性模型
b = tf.Variable(tf.zeros([1])) # tf.zero() 零值初始化()中的数据结构/变量
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0) ) # tf.random_uniform() 随机初始化/变量
y = tf.matmul(W, x_data) + b # tf.matmul() 矩阵相乘
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data)) # 定义loss函数
optimizer = tf.train.GradientDescentOptimizer(0.5) # tf.train.GradientDescentOptimizer() 算法,以0.5的learning # rate 来 train
train = optimizer.minimize(loss) # 求最小的loss
# 初始化变量
init = tf.initialize_all_variables()
# 启动图(graph)
sess = tf.Session()
sess.run(init)
# 拟合平面
for step in range(1000):
sess.run(init)
if step%100 == 0:
print(step, sess.run(W), sess.run(b))
2:
由上面例子,一些基础的常用的函数应该整理一下
同时在之后的学习中遇到新的函数都会整理进来:
numpy 中的:
np.float32()
np.random.rand(d0, d1, ..., dn) 随机生成给定shape的矩阵