tensorflow第一篇、理解与变量

最新推荐文章于 2022-03-07 00:25:27 发布

我爱芒果干啊

最新推荐文章于 2022-03-07 00:25:27 发布

阅读量188

点赞数

分类专栏： tensorflow 文章标签： tensorflow

本文链接：https://blog.csdn.net/weixin_43434802/article/details/98455173

版权

tensorflow 专栏收录该内容

5 篇文章 0 订阅

订阅专栏

tensorflow

1.简单介绍

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op
（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。

在这里插入图片描述
使用图（graphs）来表示计算任务
在被称之为会话（Session）的上下文（context）中执行图
使用tensor表示数据
通过变量（Variable）维护状态
使用feed和fetch可以为任意的操作赋值或者从其中获取数据

import tensorflow as tf

m1 = tf.constant([[3,3]]) #创建一个一行两列的常量op
m2 = tf.constant([[2],[3]]) #创建一个两行一列的插常量op
product = tf.matmul(m1,m2)  #创建矩阵乘法op
print(product)

输出结果：Tensor(“MatMul:0”, shape=(1, 1), dtype=int32)

#定义一个会话，启动默认图
sess = tf.Session()
#run方法出发三个op
result = sess.run(product) 
sess.closde()

输出结果：[[15]]

采用下边方法可以不用关闭sess

with tf.Session() as sess:
	result = sess.run(product)
	print(result)

2. 变量定义 `tf.Variable([])`

2.1 定义变量的几种形式总结归纳：

a = tf.Variable(2, name=“scalar”) # create variable a with scalar value
b = tf.Variable([2, 3], name=“vector”) # create variable b as a vector
c = tf.Variable([[0, 1], [2, 3]], name=“matrix”) # create variable c as a 2x2 matrix
W = tf.Variable(tf.zeros([784,10])) ##create variable W as 784 x 10 tensor, filled with zeros

2.2Variable vs constant

Variable 是tensorflow的一个类，里面封装了很多operations，简称ops，所以它是大写的，而tensorflow的op是小写的。又知constant是一个operation，简写为op，所以它小写了。

定义变量示例

x = tf.Variable([1,2])
a= tf.constant([1,2])
#增加一个减法op
sub = tf.subtract(x,a)
#增加一个加法op
add = tf.add(x,a)
with tf.Session() as sess:
	result1 = sess.run(sub)
	result2 = sess.run(add)
	print(result)

此时出现报错：

FailedPreconditionError (see above for traceback): Attempting to use uninitialized value Variable
[[node Variable/read (defined at E:/pycham文件/tensorflow/tensorflow1.py:13) = IdentityT=DT_INT32, _device="/job:localhost/replica:0/task:0/device:CPU:0"]]

原因是变量没有初始化。初始化方法有两种

所有变量初始化

init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init)
指定变量初始化

W = tf.Variable(tf.zeros([784,10])) with tf.Session() as sess: sess.run(W.initializer)

x = tf.Variable([1,2])
a= tf.constant([1,2])
#增加一个减法op
sub = tf.subtract(x,a)
#增加一个加法op
add = tf.add(x,a)
init = tf.global_Variables_initializer()
with tf.Session() as sess:
    sess.run(init)
	result1 = sess.run(sub)
	result2 = sess.run(add)
	print(result)

2.3 定义赋值变量`tf.assign（state，new_value）`

#创建一个变最初始化为0,起一个名字叫counter
state=tf.Variable（0，name='counter'）
#创递一个op，作用是state加1
new_value=tf.add（state，1）
#赋值op 
update=tf.assign（state，new_value）
#变量初始化
init=tf.global_variables_initializerO 
with tf.Session0 as sess：
	sess.run（init）
    print（sess.run（state））
    for _ in range（5）：                
        sess.run（update）
        print（sess.run（state））

tf.assign(var,n)把n赋给var

关于tensorflow中assign的理解，assign相当于python中的=。但是在tensorflow中使用时，需要注意调用的数值，有没有有改变例如：

def test_1():
    a = tf.Variable([10, 20])
    b = tf.assign(a, [20, 30])
    c = a + [10, 20]
    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print("test_1 run a : ",sess.run(a)) # => [10 20] 
        print("test_1 run c : ",sess.run(c)) # => [10 20]+[10 20] = [20 40] 因为b没有被run所以a还是[10 20]
        ###此时assign将[20，30]赋给a，然后赋值给b，同时此时a的值已经发生改变变为[20,30]
        print("test_1 run b : ",sess.run(b)) # => ref:a = [20 30] 运行b，对a进行assign
        print("test_1 run a again : ",sess.run(a)) # => [20 30] 因为b被run过了，所以a为[20 30]
        print("test_1 run c again : ",sess.run(c)) # => [20 30] + [10 20] = [30 50] 因为b被run过了，所以a为[20,30], 那么c就是[30 50]

import tensorflow as tf
W = tf.Variable(10)
W.assign(100)
w1 = W.assign(100)
with tf.Session() as sess:
    print(sess.run(W.initializer))      ##==>None  这是初始化的语句，没有进行赋值，所以为0
    print (W.eval() )                   ##==>10    W.assign(100) 并不会给W赋值，assign()是一个op，所以它返回一个op object，需要在Session中run这个op object，才会赋值给W.
    print(sess.run(w1))                 ##==>100
    print(sess.run(W))                  ##==>100

2.4 fetch and feed

2.4.1 fetch

在会话中可以得到多个op的结果

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

add = tf.add(input2,input3)
mul = tf.multiply(input1,add)

with tf.Session() as sess:
    result = sess.run([add,mul])
    print(result)

因为在此段程序中，没有出现变量。全部都是常量，所以不需要初始化变量。并且不可以进行input2=input1的操作，因为在tensorflow中赋值必须要用到tf.assign()

2.4.2Feed

Feed,这里相当于定义变量的时候不赋值，但是给一个值得类型，用的时候再往里添加值

###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:
    print(sess.run(output,feed_dict={input1:[7.0],input2:[2.0]}))

2.5简单示例

拟合一条线性方程，求k与b

其中原始数据随机生成

x_data = np.random.rand(100)
y_data = x_data*0.1 +0.2

下边用tensorflow去做线性规划

x_data = np.random.rand(100)
y_data = x_data*0.1 +0.2

k= tf.Variable(0.0)
b= tf.Variable(0.0)
y = k*x_data +b
#定义损失函数，最小二乘法，其中reduce_mean是取均值，tf.square是取平方
loss = tf.reduce_mean(tf.square(y_data-y))

#定义梯度下降函数
optimizer = tf.train.GradientDescentOptimizer(0.2)

#通过梯度下降，训练得到最小的loss
train = optimizer.minimize(loss)

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(200):
        #训练线性规划
        result = sess.run(train)
        #x训练的结果k,b
        print("result %d"%step,sess.run([k,b]))

bal_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(200):
        #训练线性规划
        result = sess.run(train)
        #x训练的结果k,b
        print("result %d"%step,sess.run([k,b]))

3.模型

3.1定义方式

   使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。

from tensorflow.keras import models,layers
model = models.Sequential()

3.2训练模型

    训练模型通常有3种方法，内置fit方法，内置train_on_batch方法，以及自定义训练循环。

其中history会返回history.history[metric]与['val_'+metric]

history  = model.fit(x_train,y_train,batch_size = 64
								epochs = 30,
								validation_split = 0.2) #划分20%给验证集
train_metrics = history.history[metric]
val_metrics = history.history['val_'+metric]

3.3模型测试

model.evaluate（x = x_test,y=y_test）
model.predict(x_test)#预测概率
model.predict_classes(x_test)#预测类别

3.4保存模型

两种方式：

使用Keras方式保存模型，
使用TensorFlow原生方式保存。
前者仅仅适合使用Python环境恢复模型，后者则可以跨平台进行模型部署。

3.4.1 Keras方式保存

#保存模型结构与权重
model.save('./data/keras_model.h5')  
del model  #删除现有模型
# identical to the previous one
model = models.load_model('./data/keras_model.h5')#加载模型
model.evaluate(x_test,y_test)
#保存模型结构
json_str = model.to_json()
model_json = models.model_from_json(json_str)
#只保存模型权重
model.save_weights('./data/keras_model.h5')
#恢复模型结构
model_json = models.model_from_json(json_str) 
model_json.compile(optimizer = 'adam',
					loss = 'binary_crossentropy,
					metrics = ['AUC'])
##加载权重
model_json.load_weights('./data/keras_model.h5')

3.4.2tensorflow方式保存

model.save_weghts('./data/tf_model_weights.ckpt',save_format='tf')
model_load = tf.keras.models.load_model('./data/tf_model_weights')

我爱芒果干啊

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
tensorflow第一篇、理解与变量

tensorflow1.简单介绍Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor看作是一个n维的数组或列表。图必须在会话（Session）里被启动。[外链图片转存失败(img-I1O96kvd-1564891209475...
复制链接

扫一扫