TensorFlow常用函数API介绍

TensorFlow是目前深度学习领域最为常用的开源框架之一。在使用TensorFlow时，熟练掌握常用的函数API是非常重要的。本文就常用的一些函数API进行介绍，并提供相应的示例。

1. tf.constant

tf.constant(value, dtype=None, shape=None, name='Const')

tf.constant是TensorFlow中最基本的常量操作之一。它用于创建一个常量张量。其中，value表示常量的值；dtype表示常量的类型，如int32、float32等；shape表示常量的形状，如(1,2)、(2,2,2)等。

import tensorflow as tf

a = tf.constant(1,name='a')
b = tf.constant(2,name='b')
c = a + b

with tf.Session() as sess:
    print(sess.run(c))

2. tf.Variable

tf.Variable(initial_value=None, trainable=True, collections=None, validate_shape=True, name=None)

tf.Variable用于定义一个可训练的变量。其中，initial_value表示变量的初始值；trainable表示该变量是否可以被训练，可选项为True或False；collections可以为变量指定一个或多个变量集合；validate_shape表示是否对变量的形状进行验证；name表示变量名。

import tensorflow as tf

W = tf.Variable(tf.zeros([2,2]), name='weights')
b = tf.Variable(tf.zeros([2]), name='biases')
x = tf.placeholder(tf.float32, [None, 2],name='input')
y_ = tf.placeholder(tf.float32, [None, 2],name='outcome')

y = tf.matmul(x, W) + b
loss = tf.reduce_mean(tf.square(y - y_))

train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init = tf.initialize_all_variables()

with tf.Session() as sess:
    sess.run(init)

    for i in range(100):
        sess.run(train_step, feed_dict={x: input_data, y_:outcome_data})

3. tf.placeholder

tf.placeholder(dtype, shape=None, name=None)

tf.placeholder用于定义占位符，可以看作模型在运行时需要输入的数据。其中，dtype表示占位符的类型；shape表示占位符的形状；name表示占位符的名字。

import tensorflow as tf

x = tf.placeholder(tf.float32, [None, 2],name='input')
y_ = tf.placeholder(tf.float32, [None, 1],name='outcome')

W = tf.Variable(tf.zeros([2,1]))
b = tf.Variable(tf.zeros([1]))

y = tf.matmul(x, W) + b
loss = tf.reduce_mean(tf.square(y - y_))
train_step = tf.train.GradientDescentOptimizer(0.01).minimize(loss)

data = [[0,0],[0,1],[1,0],[1,1]]
outcome = [[0],[1],[1],[0]]

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(500):
        sess.run(train_step, feed_dict={x: data, y_:outcome})
        if i%50 == 0:
            print('step:%d,loss:%f' % (i,sess.run(loss,feed_dict={x: data, y_:outcome})))

4. tf.nn.relu

tf.nn.relu(features, name=None)

tf.nn.relu用于定义ReLU激活函数，即修正线性单元激活函数。其中，features为张量。

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32, shape=(None, 5), name='x')
W = tf.Variable(tf.random_uniform([5, 5], -1, 1), name='W')
b = tf.Variable(tf.zeros([5]), name='b')
output = tf.nn.relu(tf.matmul(x, W) + b)

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)

    input_data = np.random.rand(10, 5)
    output_data = sess.run(output, feed_dict={x: input_data})
    print(output_data)

5. tf.train.AdamOptimizer

tf.train.AdamOptimizer(learning_rate=0.001, beta1=0.9, beta2=0.999, epsilon=1e-08, use_locking=False)

tf.train.AdamOptimizer使用Adam算法进行优化。其中，learning_rate为学习率；beta1和beta2分别表示一阶矩估计和二阶矩估计的指数衰减率；epsilon为数值稳定性常数；use_locking表示是否使用锁进行操作。

import tensorflow as tf
import numpy as np

x_data = np.linspace(-1,1,300)[:,np.newaxis]
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 + noise

x = tf.placeholder(tf.float32,[None,1],name='x')
y = tf.placeholder(tf.float32,[None,1],name='y')

W1 = tf.Variable(tf.random_normal([1,10],stddev=1.0))
b1 = tf.Variable(tf.zeros([1,10]))
W2 = tf.Variable(tf.random_normal([10,1],stddev=1.0))
b2 = tf.Variable(tf.zeros([1,1]))

hidden_layer = tf.nn.relu(tf.matmul(x, W1) + b1)
prediction = tf.matmul(hidden_layer, W2) + b2

loss = tf.reduce_mean(tf.square(y-prediction))
train_step = tf.train.AdamOptimizer(0.1).minimize(loss)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        sess.run(train_step,feed_dict={x:x_data,y:y_data})
        if i%100 == 0:
            print('step:%d,loss:%f'% (i,sess.run(loss,feed_dict={x:x_data,y:y_data})))

以上就是一些常用的TensorFlow函数API的介绍，并提供了相关的示例代码。