tensorflow基础

最新推荐文章于 2022-10-05 21:48:41 发布

置顶

daguonice

最新推荐文章于 2022-10-05 21:48:41 发布

阅读量150

点赞数 1

分类专栏： python笔记文章标签： tensorflow

本文链接：https://blog.csdn.net/weixin_44265293/article/details/91984375

版权

本文介绍了TensorFlow的基础知识，包括设置随机种子、定义数据集、创建占位符、设定权重与偏置、定义损失函数、使用梯度下降优化器、计算分类准确率以及迭代训练的过程。通过实例展示了如何在TensorFlow中实现简单的神经网络模型。

摘要由CSDN通过智能技术生成

tensorflow基础代码实现

1.导入相应的包 Import tensorflow as tf from tensorsorflow.examples.tutorials.mnist as input_data tutorials（教程） Import matplotlib.pyplot as plt Import numpy as np Import pandas as pd

2.定义各种常量，及设置随机种子
Learning_rate = 0.1
tf.set_random_seed(777)
n_classses = 10

3.定义数据集
此时的数据可能是自己定义，也可能是从文件中读取（例如：mnist手写体识别）
导入的情况可能分一下几类：
mnist = input_data.read_data_sets(‘MNIST_data’,one_hot=True)
data = np.loadtxt(‘data.csv’,delimiter=’,’)
data = pd.read_csv(data.csv’)

如果是多分类问题，必须给y值变为独热编码
Y_one_hot = tf.one_hot(Y, nb_classes)
Y_one_hot = tf.reshape(Y_one_hot, [-1, nb_classes])

4.定义占位符
首先，tensorflow通过计算流图的方式，帮你优化整个session需要执行的代码。而placeholder（）只是在模型中的占位，此时并没有把要输入的数据传入模型，它只会分配必要的内存。等建立session，在会话中，运行模型的时候通过feed_dict()函数向占位符喂入数据。
M—样本数 &