python：机器学习（五）：（TensorFlow）

TensorFlow采用数据流图（data flow graphs）数据以张量形式
流程：
1、创建图
2、数据代入
3、按照方向执行
4、结果输出

处理不同的问题构建的图不一样
依照有无闭环分为有向无环图和有向有环图
先进行安装：pip install tensorflow==版本
不同的版本适配不同的python版本
创建图：

import tensorflow as tf
# 创建数据流图
graph = tf.Graph()
with graph.as_default():
    # 向图中加入具体操作——OP
    var = tf.Variable(42,name='foo')    # 创建变量
    init = tf.global_variables_initializer()    # 变量初始化
    assgin = var.assign(13)     # 赋值
with tf.Session(graph=graph) as sess:   # 指定打开图创建会话
    sess.run(init)  # 图中如有变量，一定先执行变量初始化
    sess.run(assgin)    # 执行赋值OP
    print(sess.run(var))

此处输出13

乘法：

a = tf.Variable(0, name='a')  # 常量
b = tf.constant(1)  # 变量
# 矩阵相加
value = tf.add(a, b)
# 结果赋值给a
updataop = tf.assign(a, value)
# 初始化变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print("变量——————————", sess.run(updataop))

# 定义占位符
input1 = tf.placeholder(np.float32)
input2 = tf.placeholder(np.float32)
# 矩阵乘法
out_value = tf.multiply(input1, input2)
with tf.Session() as sess:
    print("乘法————————", sess.run(out_value, feed_dict={input1: [4, 5], input2: [7, 8]}))

1~100的加法
思路：
1、int i=0
2、int sum=0
3、i+1 add
4、i=i+1 assign
5、sum+i add
6、sum=sum+i assign

# 创建变量
star_var = tf.Variable(0, name='i')
sum_var = tf.Variable(0, name='sum')
# 创建常量
b = tf.constant(1)
# 实现加法
updata_op = tf.add(star_var, b)
sum_op = tf.add(sum_var, updata_op)
# 初始化变量
init = tf.global_variables_initializer()
# 赋值
assign_up = tf.assign(star_var, updata_op)
assign_sum = tf.assign(sum_var, sum_op)
# 创建张量
# tensor = tf.ones((2,2),dtype=tf.float32)
with tf.Session() as sess:
    sess.run(init)
    for i in range(100):
        # i=i+1
        sess.run(assign_sum)
        # sum=sum+i
        sess.run(assign_up)
        # i+1
        sess.run(updata_op)
        # sum+i
        sess.run(sum_op)
    print(sess.run(assign_sum))

求方程：y=1/1+e^-(w*x+b)

# 创建占位符     x输入的数据
x = tf.placeholder(np.float32)
y = tf.placeholder(np.float32)
# 创建变量
w = tf.Variable(tf.random_normal([1],name='weight'))
b = tf.Variable(tf.random_normal([1],name='bias'))
# OP准备
y_predict = tf.sigmoid(tf.add(tf.multiply(x,w),b))

# 构建损失函数
num_sample = 400  # 数据样本
# 误差函数  求误差   |y-y1|  (y-Y1)^2
cost = tf.reduce_sum(tf.pow(y_predict-y,2.0))/num_sample

# 梯度下降算法  误差最小
Optimizer = tf.train.AdamOptimizer().minimize(cost)

# 创建数据  测试
xs = np.linspace(-5,5,num_sample)
ys = np.sign(xs)    # 保证数据在-1~1之间

init = tf.global_variables_initializer()
num_train = 500
cost_pre = 0
with tf.Session() as sess:
    sess.run(init)
    # 解方程
    for i in range(num_train):
        # 从xs ys取出准备数据，喂Optimizer，存到占位符
        for xa,ya in zip(xs,ys):
            sess.run(Optimizer,feed_dict={x:xa,y:ya})
        train_cost = sess.run(cost,feed_dict={x:xa,y:ya})
        if np.abs(train_cost-cost_pre)<1e-5:
            break
        cost_pre = train_cost
    print('w is',sess.run(w,feed_dict={x:xa,y:ya}))
    print('b is', sess.run(b, feed_dict={x: xa, y: ya}))

结果：

解函数y=ax+b初始化a=0.3，b=0.5

# y=ax+b
x_data = np.random.randn(100).astype(np.float32)
y_data = x_data*0.3+0.5
# 后期运行填充数据——占位符
x = tf.placeholder(tf.float32)
y = tf.placeholder(tf.float32)
w = tf.Variable(tf.random_normal([1],name='weight'))
b = tf.Variable(tf.random_normal([1],name='bias'))
y_predict = tf.add(tf.multiply(x,w),b)
cost = tf.reduce_mean(tf.square(y-y_predict))
Optimizer = tf.train.AdamOptimizer().minimize(cost)
init = tf.global_variables_initializer()
cost_num = []
cost_pre = 0
with tf.Session() as sess:        #  使用默认图 
    sess.run(init)
    for step in range(500):
        for xa,ya in zip(x_data,y_data):
            sess.run(Optimizer, feed_dict={x: xa, y: ya})
        train_cost = sess.run(cost, feed_dict={x: xa, y: ya})
        cost_num.append(train_cost)
        if np.abs(train_cost-cost_pre)<1e-6:
            break
        cost_pre = train_cost
    print('w is',sess.run(w,feed_dict={x:xa,y:ya}))
    print('b is', sess.run(b, feed_dict={x: xa, y: ya}))

# 画图
plt.plot(range(len(cost_num)),cost_num,'blue')
plt.title("y=ax+b")
plt.xlabel=("epoch")
plt.ylabel=("cost")
plt.show()