在b站上看视频学习tensorflow基本知识,同时记录一下~
由于课程第一节讲的是环境搭建,那部分自己完成了,没有听课,所以就从(二)开始吧
- 视频内容:02-1;02-2;02-3;02-4
- 主要内容:Tensorflow的基础使用,包括对图(graphs),会话(session),张量(tensor),变量(Variable)的一些解释和操作。
- 代码链接参考:github,由于所有的代码都是在Jupyter Notebook中进行编写以及运行,所有代码编写过程中有很多次运行,查看输出结果。
- 代码格式是.ipynb格式,查看代码方法:已经安装好了Anaconda等环境,打开终端,输入
Jupyter Notebook
,就可以按照路径打开代码了。
02-1:创建图和启动图
首先,需要对tensorflow有一个基本的了解,如图:
最重要的一点就是:图代表计算的一个过程,图需要在会话中执行。
例子:创建图和启动图代码:
import tensorflow as tf
# 常量op
m1 = tf.constant([[3,3]]) #1行2列
m2 = tf.constant([[2],[3]]) #2行1列
product = tf.matmul(m1,m2) #创建一个矩阵乘法op,把m1和m2传入
print(product)
#结果:Tensor("Matul_2:0",shape=(1,1),dtype=int32)
#输出结果看一下,发现是一个tensor,并不是数字15,这是因为我们只是定义了op,并没执行
#定义一个会话,启动图
with tf.Session() as sess:
# 使用sess的run方法来执行矩阵乘法op
result = sess.run(product) #调用run(product)时,其实就是一层一层往上去调用
print(result) #结果:[[15]]
print(type(result)) #结果:<class 'numpy.ndarray'>
02-2:tensorflow中变量的使用
变量的定义tf.Variable
以及初始化init = tf.global_variables_initializer()
。
import tensorflow as tf
x = tf.Variable([1,2])
a = tf.constant([3,3])
# 增加一个减法op
sub = tf.subtract(x,a)
# 增加一个加法op
add = tf.add(a,sub)
# 全局变量初始化
init = tf.global_variables_initializer()#初始化所有变量,这里是只有一个变量,其他代码用这句的时候可以初始化所有的变量
with tf.Session() as sess:
sess.run(init)
print(x.value)
print(sess.run(sub))
print(sess.run(add))
"""
结果:
<bound method RefVariable.value of <tf.Variable 'Variable:0' shape=(2,) dtype=int32_ref>>
[-2 -1]
[1 2]
"""
完成一个数值递增的图以及会话中执行
import tensorflow as tf
# 创建一个变量,初始化为0
state = tf.Variable(0, name='counter')
# 创建一个op
new_value = tf.add(state,1)
# 赋值op
update = tf.assign(state,new_value)
# 初始化全局变量
init = tf.global_variables_initializer()
# 变量初始化为0,循环更新并打印
with tf.Session() as sess:
sess.run(init)
print(sess.run(state))
for _ in range(5):
sess.run(update)
print(sess.run(state))
"""
结果:
0
1
2
3
4
5
"""
02-3:fetch和feed的使用
fetch指同时运行,意思是在Session中可以同时执行多个OP,得到其运行的结果
feed允许在运行的时候再传入值,传入的参数要用字典来表示
import tensorflow as tf
#fetch :在会话中同时运行多个op
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)
add = tf.add(input2,input3) #7
mul = tf.multiply(input1,add) #21
with tf.Session() as sess:
result = sess.run([mul, add]) #在会话中同时运行了多个op
print((result))
#结果:[21.0, 7.0]
#feed
# 创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1, input2)
with tf.Session() as sess:
# feed数据以字典形式传入
print(sess.run(output, feed_dict={input1:[2.0],input2:[6.0]}))
#结果:[12.]
02-4:tensorflow简单示例
import tensorflow as tf
import numpy as np
#使用numpty生成100个随机点,可以看成是一个样本
x_data = np.random.rand(100)
y_data = x_data*0.1+0.2 #实际上是一条直线
#构进一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b #y相当于是预测值
#二次代价函数
loss = tf.reduce_mean( tf.square(y_data-y)) #tf.reduce_mean求平均值
#定义一个梯度下降发进行训练优化
optimizer = tf.train.GradientDescentOptimizer(0.2) #0.2学习率
#最小化代价函数
train =optimizer.minimize(loss)
#初始化变量,就算是你给变量了一个初始值,也要进行初始化
init=tf.gloabal_variables_initalizer()
with tf.Session() as sess:
sess.run(init)
for step in range(201):
sess.run(train)#每一次迭代,会最小化loss,往上推,发现是在改变k和b
if step%20==0:
print(step,sess.run([k,b]))
结果: