————————————————————————————————————
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*
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:1 TensorFlow入门笔记之基础架构 - Python技术站