欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Tensorflow(一)

程序员文章站 2024-03-15 11:35:53
...

Create tensorflow structure

	Weights = tf.Variable(......)
	biases = tf.Variable(.....)
	y=......
	# 计算平方并计算均值
	loss = tf.reduce_mean(tf.square(...))
	# 使用梯度下降法进行优化参数
	optimizer = tf.train.GradientDescentOptimizer(0.5)
	train = optimizer.minimize(loss)
	# **所有的变量
	init = tf.initialize_all_variables()
	
	# 从init开始**
	sess = tf.Session()
	sess.run(init)

for example:
Tensorflow(一)


Session

通过with的方法打开session
Tensorflow(一)


Variable

	# 定义变量必须通过这种方式
	new_value = tf.Variable(...)
	# 定义常量
	one = tf.constant(1)

Placeholder

	# 首先初始化空位
	input1 = tf.placeholder(tf.float32)
	input2 = tf.placeholder(tf.float32)
	# 定义输出为乘法
	output = tf.mul(input1,input2)
	# 利用with方法进行打开Session
	with tf.Session() as sess:
	# 输入参数为字典类型,运用feed_dict=
	print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

Active

Tensorflow(一)


添加层

  1. 定义weight和biases以及方程
    	Weights = tf.Variable(tf.random_normal([in_size, out_size]))
    	biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
    	Wx_plus_b = tf.matmul(inputs, Weights) + biases
    
  2. 定义input的placeholder
    	# 表示x,和y都是列向量
    	xs = tf.placeholder(tf.float32, [None, 1])
    	ys = tf.placeholder(tf.float32, [None, 1])
    
  3. 添加层
    	# def add_layer(inputs, in_size, out_size, activation_function=None)
    	# 其中参数为:输入数据,输入数据的个数,输出数据的大小,**函数
    	# 添加隐藏层,其中的**函数使用.nn.relu
    	l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
    	# 添加输出层,其中的
    	prediction = add_layer(l1, 10, 1, activation_function=None)
    
  4. 添加loss函数和回归方法
    	loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
    	train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
    
  5. 进行训练
    	# train_step和loss有关,而loss又和prediction有关,所以最后就和x_data和y_data都有关
    	sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
    	print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
    

Plot

  1. plot出原来的数据
    	fig = plt.figure()
    	# 图的长宽和图名
    	ax = fig.add_subplot(1,1,1)
    	# 以点的方式绘制
    	ax.scatter(x_data, y_data)
    	# 使用show()会默认将程序暂停,需要使用ion()来忽略暂停
    	plt.ion()
    	plt.show()
    
  2. 在现在数据的图上进行不断绘制,进行对比
    	# 先进行线的删除,如果没有则pass
    	try:
            ax.lines.remove(lines[0])
        except Exception:
            pass
        # 然后将prediction的值绘制出来(因为predition和x_data相关)
        prediction_value = sess.run(prediction, feed_dict={xs: x_data})
        # 使用红色的线进行绘制
        lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
        # 暂停一秒等待绘制
        plt.pause(1)
    
相关标签: TF