Tensorflow使用错误集锦:
错误1 :
FutureWarning: Conversion of the second argument of issubdtype from ‘float’ to ‘np.floating’ is dep
解决办法:命令行进入python文件下对numpy进行降级
错误2:
module 'tensorflow' has no attribute 'xxx'
解决办法:一般而言是由于TensorFlow新版本修改了许多函数的名字,可能的情况如下:
tf.sub()改为tf.subtract()
tf.mul()改为tf.multiply()
tf.types.float32改为tf.float32
tf.pact()改为tf.stact()
tf.initialize_all_variables()改为tf.global_variables_initializer()
错误3:
initialize_all_variables (from tensorflow.python.ops.variables) is deprecated and will be removed after 2017-03-02.Instructions for updating:
解决办法:initialize_all_variables已被弃用,将在2017-03-02之后删除。
所以我们把tf.initialize_all_variables()改为tf.global_variables_initializer()就可以了
错误4 :
Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
是说你电脑cpu支持AVX(Advanced Vector Extensions),运算速度可以提升。这个警告是可以忽略的
解决办法:在开头加上下面两行代码
import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
1.什么是张量(Tensor)?
张量:多重线性函数。张量同时描述N个属性,将属性写在一块,每个属性有多个自由度。
简单理解:回顾一下我们以前学过向量和矩阵,向量是一维的,矩阵是二维的,我们将张量视为这些的泛化。即rank=0时是标量,rank=1时是向量,rank=2时是矩阵,当rank>=2之后,没有名称,我们将它叫做rank N Tensor
物理角度:“在不同坐标系下都保持不变的物理量”
2.Constant assign
state = tf.Variable(0, name="counter") # 创建一个op,其作用是使`state`增加1 one = tf.constant(1) new_value = tf.add(state, one) update = tf.assign(state, new_value) # 启动图后,变量必须先经过init op初始化 # 首先先增加一个初始化op到图中 init_op = tf.initialize_all_variables() # 启动图 with tf.Session() as sess: # 运行init op sess.run(init_op) # 打印 state 的初始值 print (sess.run(state)) # 运行op, 更新state 并打印 for _ in range(3): sess.run(update) print (sess.run(state))
3.Reduce_mean
在tensor的某一维度上求值。即沿着张量不同的数轴进行计算平均值
求最大值tf.reduce_max(input_tensor, reduction_indices=None, keep_dims=False, name=None)
求平均值tf.reduce_mean(input_tensor, reduction_indices=None, keep_dims=False, name=None)
参数:
input_tensor:待求值的tensor,,被计算的张量,确保为数字类型。
reduction_indices或者axis: 方向数轴,如果没有指明,默认是所有数轴都减小为1。
keep_dims: 如果定义true, 则保留维数,但数量个数为0.
name: 操作过程的名称。
返回值:降低维数的平均值。
tf.reduce_mean(x)表示计算全局平均值;
tf.reduce_mean(x, axis=0)表示计算y轴平均值;
tf.reduce_mean(x, axis=1)表示计算x轴平均值;
4.定义图变量的两种方法Variable
-
tf.variable
在tensorflow中,创建的这些对象,必须要经过初始化才能使用。最简单直接的初始化所有变量的方法:
init = tf.global_variables_initializer()
with tf.Session() as sess:
sess.run(init)
示例如下:
import tensorflow as tf; import numpy as np; import matplotlib.pyplot as plt; a1 = tf.Variable(tf.random_normal(shape=[2,3], mean=0, stddev=1), name='a1') a2 = tf.Variable(tf.constant(1), name='a2') a3 = tf.Variable(tf.ones(shape=[2,3]), name='a3') with tf.Session() as sess: sess.run(tf.initialize_all_variables()) print sess.run(a1) print sess.run(a2) print sess.run(a3)
-
tf.get_variable
import tensorflow as tf init = tf.constant_initializer([5]) x = tf.get_variable('x', shape=[1], initializer=init) sess = tf.InteractiveSession() sess.run(x.initializer) sess.run(x
运行会话
#coding=utf-8 import numpy as np from numpy import * # import matplotlib.pyplot as plt import tensorflow as tf # 创建一个变量,初始为标量0 state = tf.Variable(0, name="counter") # 创建一个op,其作用是使`state`增加1 one = tf.constant(1) new_value = tf.add(state, one) update = tf.assign(state, new_value) # 启动图后,变量必须先经过init op初始化 # 首先先增加一个初始化op到图中 init_op = tf.initialize_all_variables() # 启动图 with tf.Session() as sess: # 运行init op sess.run(init_op) # 打印 state 的初始值 print (sess.run(state)) # 运行op, 更新state 并打印 for _ in range(3): sess.run(update) print (sess.run(state))
输出:
5.placeholder以及数据训练过程
tf.GradientDescentOptimizer(learning_rate).minimize(Loss)
x、y组成的实际数据输入再提供给输入
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:python从入门到放弃之Tensorflow(一) - Python技术站