Tensorflow開発の基本的な手順を理解する

Tensorflow開発の基本的な手順を理解する

1.Tensorflow入力ノードを定義します

入力ノードを定義する方法

1. プレースホルダーによって定義されます（一般的に）
2. 辞書タイプによって定義されます（より多くの入力の場合に使用されます）
3. 直接定義（めったに使用されない）

1.プレースホルダーで定義します（一般的に）

たとえば、y = 2xの近似フィッティングでは、プレースホルダーを使用して入力ノードを定義します

X = tf.placeholder("float")
Y = tf.placeholder("float")

2.辞書タイプによって定義されます（より多くの入力の場合に使用されます）

最初のものと同様

# 占位符
inputdict = {
    
    
    'x': tf.placeholder("float"),
    'y': tf.placeholder("float")
}

3.直接定義（めったに使用されません）

定義されたPython変数をOPノードに直接配置して入力操作に参加し、シミュレートされたデータ変数をモデルに直接配置してトレーニングします。

#生成模拟数据
train_X =np.float32( np.linspace(-1, 1, 100))
train_Y = 2 * train_X + np.random.randn(*train_X.shape) * 0.3 # y=2x，但是加入了噪声
#图形显示
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.legend()
plt.show()

# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.Variable(tf.zeros([1]), name="bias")
# 前向结构
z = tf.multiply(W, train_X)+ b

2.「学習パラメータ」変数を定義します

直接定義

W = tf.Variable(tf.random_normal([1]), name = "weigth")
b = tf.Variable(tf.zeros([1]), name = "bias")

辞書の定義

# 模型参数
paradict = {
    
    
    'w' = tf.Variable(tf.random_normal([1]), name = "weigth"),
    'b' = tf.Variable(tf.zeros([1]), name = "bias")
}
# 向前结构
z = tf.multipply(X, paradict['w']) + paradict['b']

3.「操作」を定義します

順伝播モデル

• 単層ニューラルネットワーク
• 多層ニューラルネットワーク
• 畳み込みニューラルネットワーク
• リカレントニューラルネットワーク
• GoogLeNet
• Resnet

損失関数を定義する

主に「出力値」と「目標値」の間の誤差を計算するために使用され、バックプロパゲーションで使用されます
（学習可能である必要があります）

Tensorflowフレームワークの準備ができました

4.機能を最適化し、目標を最適化します

5.すべての変数を初期化します

# 初始化变量
init = tf.global_variables_initializer()
# 这步必须在所有变量和OP定义完成之后，这样才能保证定义内容的有效性，否则无法使用session中的run来进行算值

# 启动session
with tf.Session() as sess:
    sess.run(init)

6.パラメータを最適解に繰り返し更新します

反復トレーニングプロセスでは、完了するセッションを確立する必要があります。一般的な使用法は、with構文を使用することです。これは、セッションの終了後に閉じることができます。

with tf Session() as sess:
     sess.run(init)
     
     for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={
    
    X: x, Y: y})

反復トレーニングにMINIBATCHの概念を使用します（トレーニングのために一定量のデータが取得され、ネットワークに配置されるたびに）

7.モデルをテストします

print ("cost=", sess.run(cost, feed_dict={
    
    X: train_X, Y: train_Y}), "W=", sess.run(W), "b=", sess.run(b))

# print ("cost:",cost.eval({X: train_X, Y: train_Y}))

8.モデルを使用します

print ("x=0.2，z=", sess.run(z, feed_dict={
    
    X: 0.2}))