Tensorflow(一)

Create tensorflow structure

	Weights = tf.Variable(......)
	biases = tf.Variable(.....)
	y=......
	# 计算平方并计算均值
	loss = tf.reduce_mean(tf.square(...))
	# 使用梯度下降法进行优化参数
	optimizer = tf.train.GradientDescentOptimizer(0.5)
	train = optimizer.minimize(loss)
	# 激活所有的变量
	init = tf.initialize_all_variables()
	
	# 从init开始激活
	sess = tf.Session()
	sess.run(init)

for example:

---

Session

通过with的方法打开session

---

Variable

	# 定义变量必须通过这种方式
	new_value = tf.Variable(...)
	# 定义常量
	one = tf.constant(1)

---

Placeholder

	# 首先初始化空位
	input1 = tf.placeholder(tf.float32)
	input2 = tf.placeholder(tf.float32)
	# 定义输出为乘法
	output = tf.mul(input1,input2)
	# 利用with方法进行打开Session
	with tf.Session() as sess:
	# 输入参数为字典类型，运用feed_dict=
	print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

---

Active

---

添加层

1. 定义weight和biases以及方程

   	Weights = tf.Variable(tf.random_normal([in_size, out_size]))
   	biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
   	Wx_plus_b = tf.matmul(inputs, Weights) + biases
   

2. 定义input的placeholder

   	# 表示x,和y都是列向量
   	xs = tf.placeholder(tf.float32, [None, 1])
   	ys = tf.placeholder(tf.float32, [None, 1])
   

3. 添加层

   	# def add_layer(inputs, in_size, out_size, activation_function=None)
   	# 其中参数为：输入数据，输入数据的个数，输出数据的大小，激活函数
   	# 添加隐藏层，其中的激活函数使用.nn.relu
   	l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
   	# 添加输出层，其中的
   	prediction = add_layer(l1, 10, 1, activation_function=None)
   

4. 添加loss函数和回归方法

   	loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
   	train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)
   

5. 进行训练

   	# train_step和loss有关，而loss又和prediction有关，所以最后就和x_data和y_data都有关
   	sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
   	print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))
   

---

Plot

1. plot出原来的数据

   	fig = plt.figure()
   	# 图的长宽和图名
   	ax = fig.add_subplot(1,1,1)
   	# 以点的方式绘制
   	ax.scatter(x_data, y_data)
   	# 使用show()会默认将程序暂停，需要使用ion()来忽略暂停
   	plt.ion()
   	plt.show()
   

2. 在现在数据的图上进行不断绘制，进行对比

   	# 先进行线的删除，如果没有则pass
   	try:
           ax.lines.remove(lines[0])
       except Exception:
           pass
       # 然后将prediction的值绘制出来(因为predition和x_data相关)
       prediction_value = sess.run(prediction, feed_dict={xs: x_data})
       # 使用红色的线进行绘制
       lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
       # 暂停一秒等待绘制
       plt.pause(1)