人工智能课程-深度学习应用开发TensorFlow实践

注：学习环境为anaconda+tensorflow+TensorBoard+Jupyter
Kali下打开Jupyter：终端里输入jupyter notebook命令即可，按Ctrl+Enter执行
Kali下启动TensorBoard：在终端输入tensorboard --logdir=/root/condalog，其中/root/condalog是我的日志存放路径，之后访问返回的url即可，默认为：http://localhost:6006，也可以用--port参数修改端口号

一、TensorFlow计算模型-计算图
1、计算图：是一个有向图，由节点和有向边构成。

• 节点：代表操作，是一种运算
• 有向边：代表节点之间的关系
  • 常规边（实线）：代表数据依赖关系，即两个节点间的数据传递
  • 特殊边（虚线）：代表控制依赖关系，即两个节点之间的控制相关性，eg：happen-before关系

eg：计算图实例

node3并不是一个数值，而是一个张量结构，以上只是创建了计算图，建立了静态计算模型

2、计算图的执行：
计算图创建后（即创建好节点后），需要执行对话才能提供数据并获得结果

eg：会话的创建、运行、关闭

二、张量（tensor）：
在TensorFlow中，所有的数据都通过张量表示。张量可以理解为多维数组：
零阶张量 表示 标量（scalar），即一个数字；
一阶张量 表示 向量（vector），即一维数组；以此类推

张量没有真正的保存数字，而是保存计算过程。

1、张量的属性：
Tensor("node:src_output",shape=(),dtype=float32)

• node是节点名称，src_output是来自节点的第几个输出；
• shape是张量的维度信息，shape=()表示缺省状态，即为标量
• dtype是数据类型，TensorFlow不允许出现数据类型不匹配的情况

node3的属性为：Tensor("Add:0",shape=(),dtype=float32)

2、张量的形状shape：

3、获取张量的元素：


4、张量的数据类型：

三、操作（operation）
计算图中的节点就是操作
eg：该例中共有4种操作，在TensorBoard中显示为a、b、c、d四个节点

从TensorBoard中查看结果图

第六讲：线性回归问题TensorFlow实战（y=2x+1）

使用TensorFlow进行算法设计与训练的核心步骤：
1、准备数据
2、构建模型
3、训练模型
4、进行预测

一、准备数据
1、人工数据集生成

#保证图像在Jupyter显示
%matplotlib inline

import matplotlib.pyplot as plt
import numpy as np
import tensorflow as tf
#设置随机种子
np.random.seed(5)
#生成[-1,1]区间内的等差数列，个数为100个
x_data=np.linspace(-1,1,100)
#生成训练样本，在y=2x+1的基础上，添加幅度为0.4的抖动
y_data=2*x_data+1.0+np.random.randn(*x_data.shape)*0.4

2、利用matplotlib画出生成的数据集

#画出数据集的散点图
plt.scatter(x_data,y_data)
#画出要学习的线性函数
plt.plot(x_data,2*x_data+1.0,color='red',linewidth=3)

结果图如下：

二、构建模型

从这里开始使用TensorFlow

#定义占位符，可以理解为还未确定数值的变量
x=tf.placeholder("float",name="x")
y=tf.placeholder("float",name="y")
#定义模型函数，
def model(x,w,b):
    return tf.multiply(x,w)+b
#定义变量
w=tf.Variable(1.0,name="w0")
b=tf.Variable(0.0,name="b0")
#预测值，存储model函数的返回值
pred=model(x,w,b)

三、训练模型

#训练轮数：
train_epochs=10
#学习率：
learning_rate=0.05
#控制显示loss的粒度：
display_step=10 #每10个训练样本输出一个损失
#损失函数（以均方差衡量）：
loss_function=tf.reduce_mean(tf.square(y-pred))
#梯度下降优化器：
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
#声明会话
sess=tf.Session()
#初始化变量
init=tf.global_variables_initializer()
sess.run(init)

#开始训练
step=0
loss_list=[]

for epoch in range(train_epochs):
    for xs,ys in zip(x_data,y_data):
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        loss_list.append(loss)
        step=step+1
        if step%display_step==0:
        	print("Train Epoch:",'%02d'%(epoch+1),"Step:%03d"%(step),"loss=",\"{:.0f}".format(loss))
    b0tmp=b.eval(session=sess)
    w0tmp=w.eval(session=sess)
    plt.plot(x_data,w0tmp*x_data+b0tmp)

训练结果图：

四、预测

x_test=3.21

predict=sess.run(pred,feed_dict={x:x_test})
print("predict value: %f"%predict)
target=2*x_test+1.0
print("object value: %f"%target)

结果：