一、Variables
TensorFlow的张量是不可变的无状态对象。当我们有要改变的张量时，可以使用python的特性，把计算得到的值赋给这个python变量。
x = tf.ones([6,6])
x = x + 3 # x+3后得到了一个新的张量，并把这个张量赋给x
print(x)
tf.Tensor(
[[4. 4. 4. 4. 4. 4.]
[4. 4. 4. 4. 4. 4.]
[4. 4. 4. 4. 4. 4.]
[4. 4. 4. 4. 4. 4.]
[4. 4. 4. 4. 4. 4.]
[4. 4. 4. 4. 4. 4.]], shape=(6, 6), dtype=float32)
然而机器学习中间需要变化的状态(每个参数朝损失变小的方向改变，所以TensorFlow也要内置有状态的操作，这就是Variables，它可以表示模型中的参数，而且方便高效。
Variables是一个存在值的对象，当其被使用是，它被隐式地被从存储中读取，而当有诸如tf.assign_sub, tf.scatter_update这样的操作时，得到的新值会储存到原对象中。
v = tf.Variable(2)
v.assign(6)
print(v)
v.assign_add(tf.square(3))
print(v)
注：梯度计算时会自动跟踪变量的计算(不用watch)，对表示嵌入的变量，TensorFlow会默认使用稀疏更新，这样可以提高计算和存储效率。
二、示例：拟合线性模型
使用Tensor， Variable和GradientTape这些简单的要是，就可以构建一个简单的模型。步骤如下：
定义模型
定义损失函数
获取训练数据
模型训练，使用优化器调整变量
在下面我们会构造一个简单的线性模型：f(x) = W + b, 它有2个变量W和b，同时我们会使用W=3.0，b=2.0来构造数据，用于学习。
1、定义模型
我们把模型定义为一个简单的类，里面封装了变量和计算
class Model(object):
def __init__(self):
# 初始化变量
self.W = tf.Variable(5.0)
self.b = tf.Variable(0.0)
def __call__(self, x):
return self.W * x + self.b
# 测试
model = Model()
print(model(2))
tf.Tensor(10.0, shape=(), dtype=float32)
2.定义损失函数
损失函数测量给定输入的模型输出与期望输出的匹配程度。 这里使用标准的L2损失。
def loss(predicted_y, true_y):
return tf.reduce_mean(tf.square(predicted_y - true_y))
3.获取训练数据
生成带有噪音的数据
TRUE_W = 3.0
TRUE_b = 2.0
num = 1000
# 随机输入
inputs = tf.random.normal(shape=[num])
# 随机噪音
noise = tf.random.normal(shape=[num])
# 构造数据
outputs = TRUE_W * inputs + TRUE_b + noise
在我们训练模型之前，让我们可以看到模型现在所处的位置。 我们将用红色绘制模型的预测，用蓝色绘制训练数据。
import matplotlib.pyplot as plt
plt.scatter(inputs, outputs, c='b')
plt.scatter(inputs, model(inputs), c='r')
plt.show()
# 当前loss
print('Init Loss:')
print(loss(model(inputs), outputs))
Init Loss:
tf.Tensor(8.763554, shape=(), dtype=float32)
4.定义训练循环无锡人流医院哪家好 http://www.wxbhnkyy120.com/
我们现在已经有了模型和训练数据。 我们准备开始训练，即使用训练数据来更新模型的变量(W和b)，以便使用梯度下降来减少损失。 在tf.train.Optimizer中实现了许多梯度下降方案的变体。 强烈建议大家使用这些实现，但本着从第一原则构建的精神，在这个特定的例子中，我们将自己实现基本的优化器。
def train(model, inputs, outputs, learning_rate):
# 记录loss计算过程
with tf.GradientTape() as t:
current_loss = loss(model(inputs), outputs)
# 对W，b求导
dW, db = t.gradient(current_loss, [model.W, model.b])
# 减去梯度×学习率
model.W.assign_sub(dW*learning_rate)
model.b.assign_sub(db*learning_rate)
我们反复训练模型，并观察W和b的变化
model= Model()
# 收集W，b画图
Ws, bs = [], []
for epoch in range(10):
Ws.append(model.W.numpy())
bs.append(model.b.numpy())
# 计算loss
current_loss = loss(model(inputs), outputs)
train(model, inputs, outputs, learning_rate=0.1)
print('Epoch %2d: W=%1.2f b=%1.2f, loss=%2.5f' %
(epoch, Ws[-1], bs[-1], current_loss))
# 画图
# Let's plot it all
epochs = range(10)
plt.plot(epochs, Ws, 'r',
epochs, bs, 'b')
plt.plot([TRUE_W] * len(epochs), 'r--',
[TRUE_b] * len(epochs), 'b--')
plt.legend(['W', 'b', 'true W', 'true_b'])
plt.show()
Epoch 0: W=5.00 b=0.00, loss=8.76355
Epoch 1: W=4.61 b=0.40, loss=5.97410
Epoch 2: W=4.30 b=0.72, loss=4.18118
Epoch 3: W=4.05 b=0.98, loss=3.02875
Epoch 4: W=3.85 b=1.18, loss=2.28800
Epoch 5: W=3.69 b=1.35, loss=1.81184
Epoch 6: W=3.56 b=1.48, loss=1.50577
Epoch 7: W=3.46 b=1.58, loss=1.30901
Epoch 8: W=3.38 b=1.67, loss=1.18253
Epoch 9: W=3.31 b=1.73, loss=1.10123
