————————————————————————————————————

写在开头:此文参照莫烦python教程(墙裂推荐!!!)

————————————————————————————————————

TensorFlow入门笔记之基础架构

1 构建简单神经网络:一维线性预测

#导入相关库
import tensorflow as tf
import numpy as np
#用随机数生成x
x_data = np.random.rand(100).astype(np.float32)  #生成100个x
y_data = x_data * 0.1 + 0.3      #设定y=0.1x+0.3
#构建神经网络
Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))#初始化Weights为-1.0到1.0的某个随机数
biases = tf.Variable(tf.zeros([1]))  #biases初始化为0

y = Weights*x_data + biases   #计算当前神经网络预测的y

loss = tf.reduce_mean(tf.square(y-y_data)) #损失函数

optimizer = tf.train.GradientDescentOptimizer(0.5) #神经网络优化器,0.5为学习效率,一般小于1
train = optimizer.minimize(loss)  #训练使得损失函数最小

init = tf.initialize_all_variables() #初始化神经网络的结构
#激活神经网络
sess = tf.Session()
sess.run(init)   #激活
for step in range(201):
    sess.run(train)
    if step % 20 == 0:  #每20步打印训练的Weights和biases
        print(step,sess.run(Weights),sess.run(biases))  #依次输出步数和当前Weights和当前biases
0 [0.0999992] [0.3000004]
20 [0.09999981] [0.3000001]
40 [0.0999999] [0.30000007]
60 [0.0999999] [0.30000007]
80 [0.0999999] [0.30000007]
100 [0.0999999] [0.30000007]
120 [0.0999999] [0.30000007]
140 [0.0999999] [0.30000007]
160 [0.0999999] [0.30000007]
180 [0.0999999] [0.30000007]
200 [0.0999999] [0.30000007]

因为我们的Weights真实值为0.1,biases真实值为0.3,所以从上面结果可知,这个网络的效果还是挺不错的!

2 Session 会话控制

可以用Session.run()来运行已经创好了的结构

import tensorflow as tf

matrix1 = tf.constant([[3,3]])
matrix2 = tf.constant([[2],
                       [2]])
product = tf.matmul(matrix1,matrix2)  #矩阵相乘

下面有两种方式来进行会话控制

#方式一
sess = tf.Session()
result = sess.run(product)
print(result)
sess.close()
[[12]]
#方式二,with部分运行后,会自动close Session,而不同显示close
with tf.Session()as sess:
    result2 = sess.run(product)
    print(result2)
[[12]]

上面两种方式得到的结果都是一样的,均为12

3 Variable变量

state = tf.Variable(0,name='counter')
print(state.name)#打印看看是啥
counter:0
one = tf.constant(1)  #常量1

new_value = tf.add(state,one) 
update = tf.assign(state,new_value)  #把new_value赋给state

init = tf.initialize_all_variables()#初始化所有变量.一定要记得init所有的Variables

with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):
        sess.run(update)
        print(sess.run(state))
1
2
3

4 Placeholder传入值

Placeholder主要用来代替某些你不想马上给定值的变量,而是在run或者特定位置再传值给它,有点类似于用户输入?。。。下面是一个例子。

import tensorflow as tf

input1 = tf.placeholder(tf.float32)#也可以是(tf.float32,[2,2]),这样给定input1是2行2列的float32
input2 = tf.placeholder(tf.float32)

output = tf.multiply(input1,input2)  #相乘

with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]})) #这里才给input1,input2值
[14.]

5 激励函数

  • 激励函数可以把线性函数变成非线性函数,常见的激励函数有:relu/sigmoid/tanh。当然啦,你也可以自己定义激励函数,但你要保证你的函数是可微分的!
  • 多层神经网络时要慎重选择激励函数。
  • 少量层神经网络结构可以随便尝试激励函数;卷积神经网络推荐使用relu;循环神经网络推荐使用relu/tanh。

*点击[这儿:TensorFlow]发现更多关于TensorFlow的文章*