tensorflow基础

• tensorflow 一般流程

  • 导入/生成样本数据集
  • 转换和归一化数据
  • 划分样本数据集为训练样本集，测试样本集，验证样本集
  • 设置机器学习参数
  • 初始化变量和占位符
  • 定义模型结构
  • 声明损失函数
  • 初始化模型和训练模型
  • 评估机器学习模型
  • 调优超参数
  • 发布/预测结果

• 声明张量

  tensorflow 的主要数据结构是张量，用张量来操作计算图。在tensorflow创建一个张量，并不会立即在计算图中增加。只有把张量赋值给一个变量或是占位符，tensorlfow才会把张量增加到计算图

  • 创建张量的主要方法:
    创建指定维度的零张量:zero_tsr = tf.zeros([行数, 列数])
    创建指定维度的单位张量:ones_tsr = tf.ones([行数, 列数])
    创建指定维度的常数填充的张量:filled_tsr = tf.fill([行数, 列数], 25)
    用已知常数张量创建一个张量:constant_tsr = tf.constant([1,2,3])
    新建一个与给定的张量类型大小一致的张量，元素为0或1:zero_tsr_1 = tf.zeros_like(zero_tsr) zero_tsr_1 = tf.ones_like(zero_tsr)
    创建序列张量，即指定间隔的张量:linear_tsr = tf.linspace(start=0.0, stop=1.0, num=3)start为开始数字，stop为结束的。num为元素个数
    生成均匀分布的随机数:randunif_tsr = tf.random_uniform([行数，列数], 最小值, 最大值(不包括))
    生成正态分布的随机数:randnorm_tsr = tf.random_normal([行数，列数], 期望, 标准差)
    生成带有指定边界的正态分布的随机数，生态分布的随机数位于指定均值到两个标准差之间的区间:runcnorm_tsr = tf.truncated_normal([行数，列数], 期望, 标准差)
    张量/数组的随机化:tf.random_shuffle() tf.random_crop()
  • 创建张量之后，需要封装为变量
    通过tf.Variable()函数分装张量为变量

• 占位符和变量

  变量是tensorflow机器学习算法的参数，tensoeflow调整这些变量的状态来优化机器学习算法。占位符是tensorflow对象，用于表示输入输出数据的格式。

  • 在tensorlfow中，通过函数tf.Variable()创建变量，过程是输入一个张量，返回一个变量。声明变量后需要初始化变量。
  • 在tensorflow中，通过函数tf.placeholder()定义占位符，占位符通过feed_dict参数获取数据。

• 矩阵操作

  矩阵乘法:tf.matmul()
  矩阵转置:tf.transpose()
  矩阵行列式:tf.matrix_determinant()
  矩阵的逆矩阵:tf.matrix_inverse()
  特征分解:tf.self_adjoint_eig()

• 张量的操作