网站不同,北京城市建设档案馆网站,沈阳住房建设局网站,网站服务器和网站第一节课 tensorboard–可以查看训练效果 安装ananconda#xff08;略#xff09;
tensorflow简介 tensorflow结构 是个数据流动的趋势#xff0c; graph1:默认图 graph2#xff1a;W*xb-ReLU
2-1 基本计算-会话的使用
import tensorflow as tf
# 创建一个常量op,1*…第一节课 tensorboard–可以查看训练效果 安装ananconda略
tensorflow简介 tensorflow结构 是个数据流动的趋势 graph1:默认图 graph2W*xb-ReLU
2-1 基本计算-会话的使用
import tensorflow as tf
# 创建一个常量op,1*2
m1tf.constant([[3,3]])
# 2*1
m2tf.constant([[2],[3]])
# 矩阵乘法2*33*315
producttf.matmul(m1,m2)
print(product)
# Tensor(MatMul:0, shape(1, 1), dtypeint32)因为没有放到图和会话中所以没有值
# 定义会话会有一个默认的图可以直接用
sesstf.Session()
# 调用sess的run来执行矩阵乘法op
# runproduct触发了图的三个op
resultsess.run(product)
print(result)
sess.close()
# [[15]]另一种启动会话的方式
with tf.Session() as sess:result sess.run(product)print(result)# [[15]]2-2 变量
import tensorflow as tfxtf.Variable([1,2])
atf.constant([3,3])
# 增加一个减法op
subtf.subtract(x,a)
# 增加一个加法op
addtf.add(x,sub)# 给所有变量初始化
# 不初始化的话会报错
inittf.global_variables_initializer()with tf.Session() as sess:sess.run(init)#运行才会初始化result1 sess.run(sub)print(result1)result sess.run(add)print(result)赋值不能直接赋值自加如下 # 自加state0
statetf.Variable(0,namecounter)#可以起名字
#state1
new_valuetf.add(state,1)
# 赋值op statestate1
updatetf.assign(state,new_value)
# 变量初始化
inittf.global_variables_initializer()
with tf.Session() as sess:sess.run(init)#运行才会初始化result1 sess.run(state)print(result1)for _ in range(5):sess.run(update)print(sess.run(state))2-3 fetch and feed
Fetch
import tensorflow as tf
# fetch
input1tf.constant(3.0)
input2tf.constant(2.0)
input3tf.constant(5.0)addtf.add(input2,input3)
# input1*(input2input3)
multf.multiply(input1,add)with tf.Session() as sess:resultsess.run([mul,add])#这个叫fetch可以同时运行多个print(result)# [21.0, 7.0]feed
placeholder的变量是初始值待定的feed以字典传入。
# feed
# 创建占位符
input1tf.placeholder(tf.float32)
input2tf.placeholder(tf.float32)
outputtf.multiply(input1,input2)
with tf.Session() as sess:# feed以字典形式传入print(sess.run(output,feed_dict{input1:[7.0],input2:[2.0]}))# [14.]tensorflow的简单实用案例——最小二乘法
import tensorflow as tf
import numpy as np
# 使用numpy生成100个随机点
x_datanp.random.rand(100)
y_datax_data*0.10.2# 构造一个线性模型
btf.Variable(0.)
ktf.Variable(0.)
yk*x_datab# 定义一个二次代价函数
losstf.reduce_mean(tf.square(y_data-y))#(y_data-y)的平方然后求了个均值
# 定义一个梯度下降法来进行训练的优化器
optimizertf.train.GradientDescentOptimizer(0.2)#学习率0.2
# 定义一个最小化代价函数
trainoptimizer.minimize(loss)inittf.global_variables_initializer()with tf.Session() as sess:sess.run(init)for step in range(201):print(sess.run([train,k,b,loss]))# [None, 0.049395364, 0.09887357, 0.061785623]
# ……
# [None, 0.09999921, 0.20000039, 4.515499e-14]
# [None, 0.09999923, 0.20000039, 4.2725822e-14]
