【Tensorflow】相关面试题整理（转）

• 用tensorflow实现线性回归，主要考察的是一个tf的一个实现思路。（贝壳）

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

#使用numpy生成200个随机点
x_data=np.linspace( -0.5, 0.5, 200)[:,np.newaxis]
noise=np.random.normal( 0, 0.02,x_data.shape)
y_data=np.square(x_data)+noise

#定义两个placeholder存放输入数据
x=tf.placeholder(tf.float32,[ None, 1])
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])) #加入偏置项
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
L1=tf.nn.tanh(Wx_plus_b_L1) #加入激活函数

#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])) #加入偏置项
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2
prediction=tf.nn.tanh(Wx_plus_b_L2) #加入激活函数

#定义损失函数（均方差函数）
loss=tf.reduce_mean(tf.square(y-prediction))
#定义反向传播算法（使用梯度下降算法训练）
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())
#训练2000次
for i in range( 2000):
sess.run(train_step,feed_dict={x:x_data,y:y_data})

#获得预测值
prediction_value=sess.run(prediction,feed_dict={x:x_data})

#画图
plt.figure()
plt.scatter(x_data,y_data) #散点是真实值
plt.plot(x_data,prediction_value, 'r-',lw= 5) #曲线是预测值
plt.show()
    
    

TensorFlow——实现线性回归算法

TensorFlow——实现简单的线性回归

• 请简要介绍下Tensorflow的计算图。（阿里）

Tensorflow是一个通过计算图的形式来表述计算的编程系统，计算图也叫数据流图，可以把计算图看做是一种有向图，Tensorflow中的每一个计算都是计算图上的一个节点，而节点之间的边描述了计算之间的依赖关系。

• tf前向传播

  
  
import tensorflow as tf
import os

os.environ[ 'TF_CPP_MIN_LOG_LEVEL'] = '2'

# 声明w1、w2两个变量，这里还通过seed参数设定了随机种子，
# 这样可以保证每次运行得到的结果是一样的。
w1 = tf.Variable(tf.random_normal(( 2, 3), stddev= 1, seed= 1))
w2 = tf.Variable(tf.random_normal(( 3, 1), stddev= 1, seed= 1))

# 暂时将输入的特征向量定义为一个常量，注意这里x是一个1*2的矩阵。
x = tf.constant([[ 0.7, 0.9]])

# 通过前向传播算法获得神经网络输出。
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

sess = tf.Session()
# 这里不能直接通过sess.run(y)来获取y的取值，
# 因为w1和w2都还没有运行初始化过程，以下两行分别初始化了w1和w2两个变量。
sess.run(w1.initializer)
sess.run(w2.initializer)
# 输出[[3.95757794]]
print(sess.run(y))
sess.close()
  
  

tf.random_normal([2, 3], stddev=1) 会产生一个 2×3 的矩阵，矩阵中的元素是均值为 0，标准差为 1 的随机数，tf.random_normal 函数可以通过参数 mean 来指定平均值，在没有指定时默认为 0。

Tensorflow实战-前向传播算法

tensorflow（六）训练分类自己的图片（CNN超详细入门版）

• tensorflow如何实现并行，梯度更新是同步还是异步，同步异步的优缺点

Tensorflow的梯度异步更新

背景：先说一下应用吧，一般我们进行网络训练时，都有一个batchsize设置，也就是一个batch一个batch的更新梯度，能有这个batch的前提是这个batch中所有的图片的大小一致，这样才能组成一个placeholder。那么若一个网络对图片的输入没有要求，任意尺寸的都可以，但是我们又想一个batch一个batch的更新梯度怎么办呢？——梯度异步更新。

TensorFlow多GPU并行的实现（这个完全解决了上面的问题）

梯度更新可以同步，也可以异步。

同步/异步优劣比较

• 同步模式解决了异步模式中存在的参数更新问题，然而同步模式的效率却低于异步模式
• 在同步模式下，每一轮迭代都需要设备统一开始、统一结束
• 如果设备的运行速度不一致，那么每一轮训练都需要等待最慢的设备结束才能开始更新参数，于是很多时间将被花在等待上
• 虽然理论上异步模式存在缺陷，但是因为训练深度学习模型时，使用的随机梯度下降本身就是梯度下降的一个近似解法，而且即使是梯度下降也无法保证达到全局最优
• 所以在实际应用中，相同时间内，使用异步模式训练的模型不一定比同步模式差

• tensorflow的分布式版本

Tensorflow分布式原理理解

• 用tensorflow实现线性回归，主要考察的是一个tf的一个实现思路。（贝壳）

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

#使用numpy生成200个随机点
x_data=np.linspace( -0.5, 0.5, 200)[:,np.newaxis]
noise=np.random.normal( 0, 0.02,x_data.shape)
y_data=np.square(x_data)+noise

#定义两个placeholder存放输入数据
x=tf.placeholder(tf.float32,[ None, 1])
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])) #加入偏置项
Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1
L1=tf.nn.tanh(Wx_plus_b_L1) #加入激活函数

#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])) #加入偏置项
Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2
prediction=tf.nn.tanh(Wx_plus_b_L2) #加入激活函数

#定义损失函数（均方差函数）
loss=tf.reduce_mean(tf.square(y-prediction))
#定义反向传播算法（使用梯度下降算法训练）
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())
#训练2000次
for i in range( 2000):
sess.run(train_step,feed_dict={x:x_data,y:y_data})

#获得预测值
prediction_value=sess.run(prediction,feed_dict={x:x_data})

#画图
plt.figure()
plt.scatter(x_data,y_data) #散点是真实值
plt.plot(x_data,prediction_value, 'r-',lw= 5) #曲线是预测值
plt.show()