TensorFlow 学习（1）

TensorFlow

处理结构 数据的流动

• 在python库中有默认的图

  #定义一个会话启动默认图
  sess=tf.Session()
  #调用sess的run方法来执行助阵乘法op
  #run(product)方法来调用3个op 
  result=sess.run(product)    
  print(result)
  sess.close()
  
  #这样定义不用执行sess.close()操作
  with tf.Session() as sess:
     #调用sess的run方法来执行助阵乘法op
     #run(product)方法来调用3个op 
     result=sess.run(product)
     print(result)

tensorflow Fetch and feed

• fetch在会话里面同时执行多个op，然后得到运行的结果

  #Fetch同时运行多个op
  input1=tf.constant(3.0)
  input2=tf.constant(3.0)
  input3=tf.constant(3.0)
  
  add=tf.add(input1,input2)
  mul=tf.multiply(input3,add)
  
  with tf.Session() as sess:
      result=sess.run([add,mul])
      print(result)
  

• Feed运行的时候在传入值

  #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.],input2:[2.]}))
  

tensorflow 一个简单的示例

    #使用numpy生成100个随机样本点
    x_data=np.random.rand(100)
    y_data=x_data*0.1+0.2

    #构造一个线性模型，优化k、b使得线性模型接近于样本点的分布
    b=tf.Variable(0.)
    k=tf.Variable(0.)
    y=k*x_data+b

    #二次代价函数
    #reduce_mean用于求平均值
    #误差平方的平均值
    loss=tf.reduce_mean(tf.square(y_data-y))

    #定义一个梯度下降法来进行训练的优化器，0.2表示学习率
    optimizer=tf.train.GradientDescentOptimizer(0.2)

    #最小化代价函数
    #这里主要是求出使得loss最小的k与b，使得预测值接近于真实值
    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(300):
            sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))