TensorFlow入门
提示:来自头歌实践平台,仅供参考,希望大家自己认真练习
前言
什么是TensorFlow?
- TensorFlow是一个采用数据流图(Data Flow Graphs),用于高性能数值计算的开源软件库。
- Tensor(张量):即多维数组,是TensorFlow中数据表现的形式。Flow:基于数据流图(Data Flow Graphs)的计算
- Data Flow
Graph用结点和线的有向图来描述数学计算。节点通常代表数学运算,边表示节点之间的某种联系,它负责传输多维数据(Tensors)。
提示:以下是本篇文章正文内容,下面案例可供参考
一、TensorFlow入门-图与会话
任务描述:
- 本关任务:编写使用python一个Tensorlfow的Hello,World程序。
- 测试输入:
- 预期输出:b’Hello World’
#********* Begin *********#
import tensorflow as tf
# 创建一个Session
sess = tf.Session()
c = tf.constant("Hello World")
# 让c这个Tensor动起来,并打印c这个Tensor动起来之后的值
print(sess.run(c))
# 关闭Session
sess.close()
#********* End *********#
二、计算图与会话
节点:
- 常量节点tf.constant:它的value值可以为一个数值也可以为一个列表
- 变量节点tf.Variable:它可以用来存储图执行过程中需要更新的量,在神经网络中用来储存权重值
- 占位节点tf.placeholder:placeholder()函数是在神经网络构建graph的时候在模型中的占位,此时并没有把要输入的数据传入模型,它只会分配必要的内存
会话:
如何传播会话?
# 1、方法一
sess = tf.Session()
print(sess.run(y))
# 关闭会话释放资源
sess.close()
# 2、方法二
# 上下文结束时资源会自动释放
with tf.Session() as sess:
print(sess.run(y))
编程要求:
根据提示,在右侧编辑器补充代码,实现matmul方法。其中:
- a(list):你需要将它转为相应的数据类型
- b(list):你需要将它转为相应的数据类型
- result(ndarray):矩阵相乘后的结果
测试说明:
程序会调用你实现的方法对输入数据进行矩阵乘法,如:
- 输入:[[[1,2],[3,4],[5,6]], [[1,2,3],[4,5,6]]]
- 输出: [[ 9 12 15] [19 26 33] [29 40 51]]
import tensorflow as tf
def matmul(a,b):
'''
a(list):矩阵a
b(list):矩阵b
result(ndarray):矩阵相乘结果
'''
#********* Begin *********#
# result=tf.Variable(tf.constant(()),name='result')
# a=tf.constant(a)
# b=tf.constant(b)
result=tf.matmul(a,b)
sess=tf.Session()
result=sess.run(result)
#********* End *********#
return result
三、Tensorflow实现线性回归
线性回归:
- 简单线性回归
模型:y=wx+b
其中x表示特征值(如:体重值),w表示权重,b表示偏置,y表示标签(如:身高值)。 - 多元线性回归
模型:y=b+w1x1+w2x2+…+wnxn
其中x i 表示第i个特征值,w i表示第i个特征对应的权重,b表示偏置,y表示标签 - 线性回归模型训练流程图
编程要求:
- 根据提示,在右侧编辑器补充代码,实现线性回归方法预测股票。
测试说明:
- 程序会调用你实现的方法对股票数据进行预测,若测试集上的损失值低于阈值,则视为通关。
import math
import numpy as np
import pandas as pd
from sklearn.preprocessing import scale
import tensorflow as tf
def preprocess_data(df):
'''
df(DataFrame):原始数据
X(ndarray):处理后数据特征
y(ndarray):处理后数据标签
'''
#*********Bengin*********#
# 定义预测列变量,它存放研究对象的标签名
forecast_col = 'Adj. Close'
# 定义预测天数,这里设置为所有数据量长度的1%
forecast_out = int(math.ceil(0.1*len(df)))
# 只用到df中下面的几个字段['Adj. Open', 'Adj. High', 'Adj. Low', 'Adj. Close', 'Adj. Volume']
df = df[['Adj. Open', 'Adj. High', 'Adj. Low', 'Adj. Close', 'Adj. Volume']]
# 构造两个新的列
# HL_PCT为股票最高价与最低价的变化百分比
df['HL_PCT'] = (df['Adj. High'] - df['Adj. Close']) / df['Adj. Close'] * 100.0
# HL_PCT为股票收盘价与开盘价的变化百分比
df['PCT_change'] = (df['Adj. Close'] - df['Adj. Open']) / df['Adj. Open'] * 100.0
# 下面为真正用到的特征字段['Adj. Close', 'HL_PCT', 'PCT_change', 'Adj. Volume']
df = df[['Adj. Close', 'HL_PCT', 'PCT_change', 'Adj. Volume']]
# 因为scikit-learn并不会处理空数据,需要把为空的数据都设置为一个比较难出现的值,这里取-9999,
df.fillna(-99999, inplace=True)
# 用label代表该字段,是预测结果
df['label'] = df[forecast_col].shift(-forecast_out)
#构造X
X = np.array(df.drop(['label'], 1))
X = scale(X)
X = X[:-forecast_out]
# 抛弃label列中为空的那些行
df.dropna(inplace=True)
y = np.array(df['label'])
#将标签reshape成(-1,1)
y = y.reshape(-1,1)
#*********End*********#
return X,y
def tf_predict(sess,train_data,train_label,test_data,lr,n_iters):
'''
sess:tf.Session创建的会话
train_data(ndarray):训练数据
train_label(ndarray):训练标签
test_data(ndarray):测试数据
lr(float):学习率
n_iters(int):训练轮数
test_predict(ndarray):测试集预测标签
'''
#*********Bengin*********#
data = tf.placeholder(tf.float32, [None, 4])
real_label = tf.placeholder(tf.float32, [None, 1])
weight = tf.Variable(tf.random_normal([4, 1]), dtype=tf.float32)
bias = tf.Variable(tf.ones([1]), dtype=tf.float32)
y_label = tf.add(tf.matmul(data, weight), bias)
loss = tf.reduce_mean(tf.square(real_label - y_label))
train = tf.train.AdamOptimizer(lr).minimize(loss)
sess.run(tf.global_variables_initializer())
for i in range(n_iters):
sess.run(train,feed_dict={
data: train_data, real_label: train_label})
test_predict = sess.run(y_label,feed_dict={
data: test_data})
sess.close()
#*********End*********#
return test_predict
总结
本文题型转载头歌实践平台仅供参考,希望大家自己多加练习,共同进步