了解Tensorflow的开发基本步骤

了解Tensorflow的开发基本步骤

1. 定义Tensorflow输入节点

定义输入节点的方法

1. 通过占位符定义（一般情况）
2. 通过字典类型定义（用于输入比较多的情况）
3. 直接定义（很少使用）

1. 通过占位符定义（一般情况）

如 y = 2x 的大致拟合中就是使用占位符定义输入节点的

X = tf.placeholder("float")
Y = tf.placeholder("float")

2. 通过字典类型定义（用于输入比较多的情况）

和第一种比较类似

# 占位符
inputdict = {
    
    
    'x': tf.placeholder("float"),
    'y': tf.placeholder("float")
}

3. 直接定义（很少使用）

将定义好的 Python 变量直接放到 OP 节点中参与输入的运算，将模拟数据变量直接放到模型中进行训练。

#生成模拟数据
train_X =np.float32( np.linspace(-1, 1, 100))
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声
#图形显示
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.legend()
plt.show()

# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")
# 前向结构
z = tf.multiply(W, train_X)+ b

2. 定义“学习参数”变量

直接定义

W = tf.Variable(tf.random_normal([1]), name = "weigth")
b = tf.Variable(tf.zeros([1]), name = "bias")

字典定义

# 模型参数
paradict = {
    
    
    'w' = tf.Variable(tf.random_normal([1]), name = "weigth"),
    'b' = tf.Variable(tf.zeros([1]), name = "bias")
}
# 向前结构
z = tf.multipply(X, paradict['w']) + paradict['b']

3. 定义“运算”

正向传播模型

• 单层神经网络
• 多层神经网络
• 卷积神经网络
• 循环神经网络
• GoogLeNet
• Resnet

定义损失函数

主要用于计算“输出值”与“目标值”之间的误差，是配合反向传播使用的
（必须可导）

Tensorflow框架已经为我们准备好了

4. 优化函数，优化目标

5. 初始化所有变量

# 初始化变量
init = tf.global_variables_initializer()
# 这步必须在所有变量和OP定义完成之后，这样才能保证定义内容的有效性，否则无法使用session中的run来进行算值

# 启动session
with tf.Session() as sess:
    sess.run(init)

6. 迭代更新参数到最优解

在迭代训练环节，都是需要通过建立一个session来完成的，常用的是使用with 语法，可以在session结束后自行关闭

with tf Session() as sess:
     sess.run(init)
     
     for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={
    
    X: x, Y: y})

使用MINIBATCH的概念进行迭代训练(每次取一定量的数据同时放到网络里进行训练)

7. 测试模型

print ("cost=", sess.run(cost, feed_dict={
    
    X: train_X, Y: train_Y}), "W=", sess.run(W), "b=", sess.run(b))

# print ("cost:",cost.eval({X: train_X, Y: train_Y}))

8. 使用模型

print ("x=0.2，z=", sess.run(z, feed_dict={
    
    X: 0.2}))