Tensorflow1入门第一课

环境：WIN11+ANACONDA+PYCHARM+python3.6.6+tensorflow-gpu1.12

目标：创建图、使用图、使用变量、使用fetch和feed、一个案例

快捷键：shitf+enter运行；tab补全；shift+tab查看方法详情

Graph1中。节点op，可理解为操作。需要传入数据、变量，进行op后，再输出新的数据。

Graph2给出了一个具体的例子。

在JUPYTER里尝试运行一个实例，

import tensorflow as tf
#创建一个常量op
m1=tf.constant([[3,3]])#一行两列
m2=tf.constant([[2],[3]])#两行一列
#矩阵乘法
product=tf.matmul(m1,m2)
print(product)

运行结果为一个Tensor，因为这里虽然定义了op，但并没有放在会话里执行。

完整的执行op需要定义一个会话：

#定义一个会话，启动默认图
sess=tf.Session()
#调用sess的run方法来执行矩阵乘法op
result=sess.run(product)
print(result)
sess.close()

也可以用其他方式定义会话：

with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op
    result=sess.run(product)
    print(result)

这样就不需要去关闭会话了。

接下来学习变量。

x=tf.Variable([1,2])
a=tf.constant([3,3])
#增加一个减法op
sub=tf.subtract(x,a)
#增加一个加法op
add=tf.add(x,a)
#初始化所有变量
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

输出为：

[-2 -1]
[4 5]

再举一个例子，实现变量的自增

#创建一个变量，初始化为0
state =tf.Variable(0,name='counter')
#创建一个op，作用是使state加1
new_value=tf.add(state,1)
#赋值op
update = tf.assign(state,new_value)

init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

输出为：

接下来学习fetch和feed

fetch就是同时运行多个op

#fetch
input1= tf.constant(3.0)
input2= tf.constant(2.0)
input3= tf.constant(5.0)

add=tf.add(input2,input3)
mul=tf.multiply(input1,add)

with tf.Session() as sess:
    result=sess.run([mul,add])
    print(result)

输出为：

[21.0, 7.0]

feed则是不初始化变量的具体值

#feed
#创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)

with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.0],input2:[2.0]}))

输出为：

[14.]

一个使用案例：逼近线性模型y=0.1x+0.2

import tensorflow as tf
import numpy as np
#使用numpy生成100个随机点
x_data=np.random.rand(100)

#样本模型
y_data=x_data*0.1+0.2

#构造一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b

#定义一个二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降，优化训练，学习率0.2
optimizer=tf.train.GradientDescentOptimizer(0.2)
#定义一个最小化代价函数
train=optimizer.minimize(loss)

#初始化变量
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))

输出为：

0 [0.05407926, 0.10036313]
20 [0.1038326, 0.19792749]
40 [0.10238596, 0.19870982]
60 [0.10148535, 0.19919682]
80 [0.100924686, 0.1995]
100 [0.10057565, 0.19968873]
120 [0.10035835, 0.19980623]
140 [0.10022309, 0.19987938]
160 [0.10013888, 0.19992492]
180 [0.100086465, 0.19995324]
200 [0.10005383, 0.19997089]

ps:具体值可能不一样，但都是趋近【0.1，0.2】

Tensorflow1入门第一课

猜你喜欢