【初学】TensorFlow

首先来个经典小案例：

import tensorflow as tf
#定义‘符号’变量，也称为占位符
a = tf.placeholder("float")  #placeholder占位符，设置变量
b = tf.placeholder("float")
y = tf.multiply(a, b) #构造一个op节点  乘法
sess = tf.Session()#建立会话
#运行会话，输入数据，并计算节点，同时打印结果
print (sess.run(y, feed_dict={a: 3, b: 3}))  #利用字典赋值
# 任务完成, 关闭会话.
sess.close()

运行结果是：9.0

例子2

# coding: utf-8

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# 使用numpy生成500个随机点
x_data = np.linspace(-0.5, 0.5, 500)[:, np.newaxis]  #[:, np.newaxis]表示增加一个维度
noise = np.random.normal(0, 0.02, x_data.shape)  #np.random.normal函数表示正态分布。三个参数分别代表均值、标准差、形状
y_data = np.square(x_data) + noise  #x_data的平方值+噪声

# 定义两个placeholder
x = tf.placeholder(tf.float32, [None, 1])    #表示有1列，行数不确定
y = tf.placeholder(tf.float32, [None, 1])

# 定义神经网络中间层
Weights_L1 = tf.Variable(tf.random_normal([1, 10]))
biases_L1 = tf.Variable(tf.zeros([1, 10]))
Wx_plus_b_L1 = tf.matmul(x, Weights_L1) + biases_L1
L1 = tf.nn.tanh(Wx_plus_b_L1)  #tf.nn.tanh：双曲线切线激活函数

# 定义神经网络输出层
Weights_L2 = tf.Variable(tf.random_normal([10, 1]))
biases_L2 = tf.Variable(tf.zeros([1, 1]))
Wx_plus_b_L2 = tf.matmul(L1, Weights_L2) + biases_L2
prediction = tf.nn.tanh(Wx_plus_b_L2)

# 二次代价函数
loss = tf.reduce_mean(tf.square(y - prediction))
# 使用梯度下降法训练
train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    # 变量初始化
    sess.run(tf.global_variables_initializer())
    for _ in range(2000):  #下划线表示临时变量，大概可以节约点内存
        sess.run(train_step, feed_dict={x: x_data, y: y_data})     #训练

    # 获得预测值
    prediction_value = sess.run(prediction, feed_dict={x: x_data})     #测试
    # 画图
    plt.figure()
    plt.scatter(x_data, y_data)
    plt.plot(x_data, prediction_value, 'r-', lw=5)
    plt.show()

运行结果：

未完待续。。。