TensorFlow基础

发表于 | 更新于: | 分类于 |
字数统计: 1,037字

例子1

创建数据

加载 tensorflow 和 numpy 两个模块, 并且使用 numpy 来创建我们的数据. 

1
2
3
4
5
6
import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

搭建模型

用 tf.Variable 来创建描述 y 的参数. 我们可以把y_data = x_data*0.1 + 0.3想象成y=Weights * x + biases, 然后神经网络也就是学着把 Weights 变成 0.1, biases 变成 0.3. 

1
2
3
4
Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

计算误差

计算 y 和 y_data 的误差 

1
loss = tf.reduce_mean(tf.square(y-y_data))

传播误差

用optimizer实现反向传递误差的工作 使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新. 

1
2
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

训练

到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable, 所以这一步是很重要的! 

1
2
# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
init = tf.global_variables_initializer()  # 替换成这样就好

创建会话 Session 来执行 init 初始化步骤。并且, 用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性. 

1
2
3
4
5
6
7
sess = tf.Session()
sess.run(init)          # Very important

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

基础架构

Session 会话控制

概念

Session 是 Tensorflow 为了控制,和输出文件的执行的语句. 运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分. #### 简单运用 加载 Tensorflow ，然后建立两个 matrix ,输出两个 matrix 矩阵相乘的结果。 

1
2
3
4
5
6
7
8
import tensorflow as tf

# create two matrixes

matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
                       [2]])
product = tf.matmul(matrix1,matrix2)

因为 product 不是直接计算的步骤, 所以我们会要使用 Session 来激活 product 并得到计算结果. 有两种形式使用会话控制 Session 。 

1
2
3
4
5
6
7
8
9
10
11
12
# method 1
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()
# [[12]]

# method 2
with tf.Session() as sess:
    result2 = sess.run(product)
    print(result2)
# [[12]]

Variable 变量

概念

在Tensorflow 中，定义了某字符串是变量，它才是变量，这一点是与 Python 所不同的。 #### 定义变量 定义语法： state = tf.Variable() 

1
2
3
4
5
6
7
8
9
10
11
12
import tensorflow as tf

state = tf.Variable(0, name='counter')

# 定义常量 one
one = tf.constant(1)

# 定义加法步骤 (注: 此步并没有直接计算)
new_value = tf.add(state, one)

# 将 State 更新成 new_value
update = tf.assign(state, new_value)

初始化变量

  • 注：定义了变量，一定要进行初始化 
    1
    2
    # init = tf.initialize_all_variables() # tf 马上就要废弃这种写法
    init = tf.global_variables_initializer()  # 替换成这样就好

到这里变量还是没有被激活，需要再在 sess 里, sess.run(init) , 激活 init 这一步. 

1
2
3
4
5
6
# 使用 Session
with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))

  • 注：一定要把 sess 的指针指向 state 再进行 print 才能得到想要的结果！

placeholder

概念

placeholder是 Tensorflow 中的占位符，暂时储存变量. Tensorflow 如果想要从外部传入data, 那就需要用到tf.placeholder(), 然后以这种形式传输数据sess.run(***, feed_dict={input: **}). #### 例子 

1
2
3
4
5
6
7
8
import tensorflow as tf

#在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)

# mul = multiply 是将input1和input2 做乘法运算，并输出为 output 
ouput = tf.multiply(input1, input2)

接下来, 传值的工作交给了sess.run() , 需要传入的值放在了feed_dict={}并一一对应每一个 input、placeholder与 feed_dict={}是绑定在一起出现的。 

1
2
3
with tf.Session() as sess:
    print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))
# [ 14.]

placeholder和variable的区别

placeholder 是你输入自己数据的接口, variable 是网络自身的变量, 通常不是你来进行修改, 而是网络自身会改动更新.