莫烦tensorflow学习笔记day1

术语解释

1、神经网络：

• 构成：神经网络主要由输入层、输出层以及隐藏层构成，输入层的每个神经元代表着一个特征，隐藏层神经元个数以及隐藏层层数由人为设定，输出层神经元个数代表分类标签的个数。
• 神经网络的运作流程：每次输入数据传入时，激励函数激活不同的神经元，输入数据经过不同的路径得到输出数据，将输出数据与期望得到的输出数据比较得到损失函数，进而调整不同神经元的权重，重复此训练过程即可。
  2、梯度下降
• 在深度学习中用梯度下降来最优化损失函数
  

安装tensorflow

此部分将拿出来单独讲

tensorflow实例：训练函数y = 0.1x + 0.3

• 导入模块

import tensorflow as tf 
import numpy as np

• 生成数据

x_data = np.random.rand(100).astype(np.float32)   //通过本函数可以返回一个或一组服从“0~1”均匀分布的随机样本值
y_data = x_data*0.1 + 0.3

• tensorflow结构代码块

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))    //tensorflow中必须定义变量
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

loss = tf.reduce_mean(tf.square(y-y_data))   //损失函数
optimizer = tf.train.GradientDescentOptimizer(0.5)  //优化器
train = optimizer.minimize(loss)

• 定义session

sess = tf.Session()  //相当于指针

• 训练参数

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()  //初始化变量
sess.run(init)

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))