【深度学习框架tensorflow的应用】一. Tensorflow的graphs,Session,tensor,Variable基本操作

一. Tensorflow 基本概念：

     *用图(graphs)来表示计算任务

     *graphs在会话Session中执行

     *使用tensor表示数据

     *通过变量Variable维护状态

     *使用feed和fetch为任意操作赋值从中获取数据

二 tensorflow结构

 

tf.constant(value, dtype=None, shape=None, name='Const', verify_shape=False)

用案例解释上面的流程逻辑，比如我们计算一个一行两列和两行一列的向量的积，步骤如下。

          第一步创建两个向量 m1 = tf.constant([[3, 3]])   m2 = tf.constant([ [2], [3] ])

          第二步创建一个矩阵乘法操作 op = tf.matmul(m1, m2)   - > 形成一个tensor

          第三步定义会话启动默认图   with tf.Session() as sess:

                                                               result = sess.run(op)

                                                                print(result)

     案例1

import tensorflow as tf

m1 = tf.constant([[3, 3]])
m2 = tf.constant([[2], [5]])
operator = tf.matmul(m1, m2)

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

三.  变量的用法:    1 定义变量   2 调用变量是要初始化

tf.Variable(initializer, name)   第一个参数是初始化器

     案例2

import tensorflow as tf

a = tf.Variable([4, 4])  #定义变量
b = tf.constant([7, 3])

sub = tf.subtract(a, b)
add = tf.add(a, b)
#注意变量再使用之前要再sess中做初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    result1 = sess.run(sub)
    result2 = sess.run(add)
    print((result1, result2))

     案例三： 计算一个数叠加

import tensorflow as tf

first = tf.Variable(0, name = "count")
cal = tf.add(first, 1)
update = tf.assign(first, cal)   #first加一后，就讲cal赋值给first

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for _ in range(5):
        sess.run(update)
        print(sess.run(first))

 

四. fetch，feed的用法

     1. fetch就是在session中同时运行多个操作

     比如案例二可以改成成以下

import tensorflow as tf

a = tf.Variable([4, 4])  #定义变量
b = tf.constant([7, 3])

sub = tf.subtract(a, b)
add = tf.add(a, b)
#注意变量再使用之前要再sess中做初始化
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    result = sess.run([sub, add])  #这里[]就是fetch操作
    print(result)

     2. feed用法：先创建占位符，再用字典形式传入数据

    案例四

import tensorflow as tf
#创建占位符
a = tf.placeholder(tf.float32)
b = tf.placeholder(tf.float32)

output = tf.multiply(a, b)
with tf.Session() as sess:
    #feed的数据以字典的形式传入
    result = sess.run(output, feed_dict={a:[4.5], b:[3.7]})
    print(result)

五. 线性函数的模型创建

        创建模型的意思就是，给定已经知道的数据(x, y)，创建一个符合该数据的模型，给定数据x能预测出y^与y接近甚至相同。

        1. 随机生成样本数据(x1, x2......x100) 与之对应的 (y1, y2.....y100)

        2. 建立y^ = k*x + b的模型，随机初始化k， b

       3. 计算出y - y^的平方和的平均数，即为损失值loss，尽可能地让loss值最小，这样预测数据y^ 与y才能接近

   案例五

import tensorflow as tf
import numpy as np

#获取样本x_data, y_data
x_data = np.random.rand(100)  #随机数
y_data = 0.23 * x_data + 0.15
#创建模型，初始化k, b
k = tf.Variable(0.)
b = tf.Variable(0.)
y = k*x_data + b

loss = tf.reduce_mean(tf.square(y_data - y))  #两数之差平方后取 平均值  即二次代价函数
optimizer = tf.train.GradientDescentOptimizer(0.15)  #梯度下降法的优化器，0.15为学习率
train = optimizer.minimize(loss)  #最小优化

init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%10 == 0:
            print(step, sess.run([k, b]))


结果：
 0 [0.04511498, 0.07963798]
10 [0.13336873, 0.20012432]
20 [0.14958979, 0.19287243]
30 [0.16268793, 0.18589863]
40 [0.17364912, 0.18005294]
50 [0.18282536, 0.17515908]
60 [0.19050731, 0.17106216]
70 [0.19693834, 0.16763239]
80 [0.20232214, 0.1647611]
90 [0.20682922, 0.16235739]
100 [0.21060236, 0.1603451]
110 [0.21376106, 0.15866052]
120 [0.21640544, 0.15725023]
130 [0.21861918, 0.15606959]
140 [0.22047244, 0.15508123]
150 [0.22202392, 0.15425378]
160 [0.22332276, 0.15356109]
170 [0.2244101, 0.15298119]
180 [0.22532037, 0.15249573]
190 [0.2260824, 0.15208933]
200 [0.22672036, 0.15174909]

Process finished with exit code 0