tensorflow 常用的函数:
# 导入tensorflow,使用tf代替
import tensorflow as tf
# 计算x,和w的乘积,这里计算x矩阵和w矩阵的乘积
tf.matmul(x, w)
# 先计算labels和logits的交叉熵(区别),在对结果进行归一化处理,softmax参考
tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)
# 然后求交叉熵的平均值
cross_entrony = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y))
# 以梯度下降法,0.5的幅度,减小交叉熵
tf.train.GradientDescentOptimizer(0.5).minimize(cross_entrony)
# 初始化变量(tf,Variable())
tf.global_variables_initializer().run()
# 获取一行最大值的索引
tf.argmax(y, 1)
# 比较a和b对应位置是否是相同的,返回结果是bool类型
tf.equal(a, b)
# 把x的值转化为另一种y类型
tf.cast(x, y)
代码整体解读:
importtimeimporttensorflow as tffrom tensorflow.examples.tutorials.mnist importinput_data#加载数据
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True) #下载数据集,存储在/home/msl/Downloads
#构建回归模型
x = tf.placeholder(tf.float32, [None, 784]) #None * 784 测试集[60000, 784]
w = tf.Variable(tf.zeros([784, 10])) #784 * 10 和每个像素相乘,得到[None, 10],即为labels
b = tf.Variable(tf.zeros([10]))
y= tf.matmul(x, w) + b #预测值
#使用梯度下降法最小化交叉熵
y_= tf.placeholder(tf.float32, [None, 10])
cross_entrony= tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=y_, logits=y)) #计算预测值和真实值的区别,并求均值
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entrony)#初始化变量#init = tf.global_variables_initializer()
sess =tf.InteractiveSession()
tf.global_variables_initializer().run()#开始训练
old =time.time()
with tf.device("/gpu:0"): #使用gpu为:/gpu:0
for i in range(1000):
batch_xs, batch_xy= mnist.train.next_batch(100)
sess.run(train_step, feed_dict={x: batch_xs, y_: batch_xy})print(time.time() -old)#评估模型#tf.argmax(y, 1)返回y中每行的最大值的索引#tf.equal(x, y)判断x和y的值是否一致,返回值为bool类型
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy= tf.reduce_mean(tf.cast(correct_prediction, tf.float32)) #tf.cast(a, b)把a转化为b类型, 再求平均值
print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels})) #使用测试集评估模型