【基础】tensorflow教程推荐及入门案例

最新推荐文章于 2024-08-20 18:59:07 发布

yeler082

最新推荐文章于 2024-08-20 18:59:07 发布

阅读量608

点赞数

分类专栏： tensorflow

本文链接：https://blog.csdn.net/yeler082/article/details/79072113

版权

tensorflow 专栏收录该内容

31 篇文章 2 订阅

订阅专栏

这里可以用于模拟tensorflow的网络结构，可视化功能模拟

这里会提供一些教程

[1]TensorFlow 如何入门？

[2]Tensorflow连载博客

[3]Tensorflow案例博客

TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor(张量)意味着N维数组，Flow(流)意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。

TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。TensorFlow将完全开源，任何人都可以用

原生接口文章

原生接口实例

slim接口文章

slim 实例

keras 接口文章

tensorflow使用过程中的辅助接口或通过tensorflow实现的批量操作接口

入门体验，线性函数的模拟

import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点,2行100列.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300 #数组点乘，然后加上偏置项

# 构造一个线性模型,并初始化偏置和权重
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
#矩阵点乘，然后加上偏置项
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
# 获得所有可训练更新的参数对象
var_list = tf.trainable_variables()
#GradientDescentOptimizer是一个封装好的梯度下降算法,var_list是可选参数
# optimizer = tf.train.GradientDescentOptimizer(lerarning_rate).minimize(cost,var_list=var_list)

# 下面三句相当于上面一句，也就是说minimize() ==compute_gradients()+apply_gradients()
optimizer = tf.train.GradientDescentOptimizer(lerarning_rate)
grads = optimizer.compute_gradients(cost,var_list=var_list)
optimizer = optimizer.apply_gradients(grads)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))
# 实际值为：W: [[0.100  0.200]] , b:[ 0.300 ]
# 得到最佳拟合结果 W: [[ 0.09998892  0.19999027]] , b: [ 0.30001107]