TensorFlow学习（一）

       TensorFlow的安装参考官网：https://www.tensorflow.org/install/?hl=zh-cn

       TensorFlow是一个开源软件库，采用数据流图用于高性能计算，是一种较好的机器学习工具。TensorFlow有许多功能，但主要用来构建深度神经网络模型。TensorFlow的名字由Tensor （张量）和Flow（流）组成。

       在TensorFlow 程序中，所有数据都通过张量的形式表示，零阶张量表示标量(Scaka)，一阶张量表示向量，n阶张量表示n维数组。要注意的是，张量在TensorFlow中的实现不是直接采用数组，它是对TensorFlow中运算结果的引用。在张量中并没有真正保存数字，保存的是得到这些数字的计算过程。

       

• np.random.rand()  # [0,1)之间均匀分布的随机样本
• np.randam.randn() #N(0,1） 正态分布
• np.random.randint() # [low,high)返回随机整数，或整数型数组
• tf.random_normal() #正态分布
• tf.reduce_mean()             

x = tf.constant([[1., 1.], [2., 2.]])
tf.reduce_mean(x)  # 1.5
tf.reduce_mean(x, 0)  # [1.5, 1.5]
tf.reduce_mean(x, 1)  # [1.,  2.]

• tf.train.GradientDescentOptimizer()
  

     使用梯度下降算法的优化器

     learning_rate: A Tensor or a floating point value. The learning rate to use.

举个简单例子：

import numpy as np
import tensorflow as tf

# creat data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1+0.3

### start
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0)) #平均分布
biases = tf.Variable(tf.zeros([1]))

y=Weights*x_data+biases

loss=tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
### end

sess = tf.Session() #创建一个会话

init = tf.global_variables_initializer()

sess.run(init)

for step in range(301):
    sess.run(train)
    if step % 20 ==0:
        print(step,sess.run(Weights),sess.run(biases))

Result:

Reference：

在机器学习中对于张量的理解可以参考： 深度学习初学者必读：张量究竟是什么？