tensorflow学习笔记

tensorflow-计算图

tensorflow-张量

tensorflow-会话session()

变量初始化
tf提供了一种初始化所有变量的方法：`

init_op=tf.global_variables_initializer()
sess.run(init_op)

tensorflow 样例

placeholder机制
用于提供输入数据

import tensorflow as tf

w1=tf.Variable(tf.random_normal((2,3),stddev=1,seed=1))
w2=tf.Variable(tf.random_normal((3,1),stddev=1,seed=1))

x=tf.placeholder(tf.float32,shape=(1,2),name="input")

a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

sess=tf.Session()
init_op=tf.global_variables_initializer()
sess.run(init_op)

print(sess.run(y,feed_dict={x:[[0.7,0.9]]}))
sess.close()

feed_dict是一个字典，用于指定x的取值

一个小小的样例，先熟悉一下tensorflow的流程

import tensorflow as tf

from numpy.random import RandomState

batch_size=8



w1=tf.Variable(tf.random_normal((2,3),stddev=1,seed=1))
w2=tf.Variable(tf.random_normal((3,1),stddev=1,seed=1))

x=tf.placeholder(tf.float32,shape=(None,2),name="input")
y_=tf.placeholder(tf.float32,shape=(None,1),name="input")

#定义前向传播过程
a=tf.matmul(x,w1)
y=tf.matmul(a,w2)

#定义损失函数和反向传播的算法
y=tf.sigmoid(y)
cross_entropy=-tf.reduce_mean(
    y_*tf.log(tf.clip_by_value(y,1e-10,1.0))+(1-y_)*tf.log(tf.clip_by_value(1-y,1e-10,1.0)))

train_step=tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

#通过随机数生成模拟数据集
rdm=RandomState(1)
dataset_size=128
X=rdm.rand(dataset_size,2)
Y=[[int(x1+x2)<1] for (x1,x2) in X]

#创建会话
with tf.Session() as sess:
    init_op = tf.global_variables_initializer()
    sess.run(init_op)

    #设定训练的轮次
    STEPS=10000
    for i in range(STEPS):
        #每次选取batch_size个数据进行训练
        start=(i*batch_size)%dataset_size
        end=min(start+batch_size,dataset_size)

        #训练
        sess.run(train_step,feed_dict={x:X[start:end],y_:Y[start:end]})

        if i%100==0:
            total_cross_entropy=sess.run(cross_entropy,feed_dict={x:X,y_:Y})
            print("After %d training step(s),cross entropy on all data is %g" %(i,total_cross_entropy))

输出结果：

损失函数

tf.greater()：比较输入向量中每一个元素的大小并返回比较结果，当输入两个向量的维度不匹配时，会执行类似于Numpy的广播操作；
广播操作（Broadcasting）：如果两个数组的后缘维度（trailing dimension，即从末尾开始算起的维度）的轴长度相符，或其中的一方的长度为1，则认为它们是广播兼容的。广播会在缺失和（或）长度为1的维度上进行。
通俗理解广播机制：