Tensorflow(一)

最新推荐文章于 2024-05-18 16:20:47 发布

JasonSparrow_1

最新推荐文章于 2024-05-18 16:20:47 发布

阅读量242

点赞数

CC 4.0 BY-SA版权

分类专栏： Tensorflow 文章标签： TF

本文链接：https://blog.youkuaiyun.com/JasonSparrow_1/article/details/87785407

Tensorflow 专栏收录该内容

2 篇文章

订阅专栏

本文详细介绍如何使用TensorFlow创建神经网络结构，包括定义变量、占位符、激活函数、损失函数以及使用梯度下降法进行优化。同时，展示了如何在会话中运行初始化和训练步骤，以及如何在训练过程中可视化预测结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Create tensorflow structure

	Weights = tf.Variable(......)
	biases = tf.Variable(.....)
	y=......
	# 计算平方并计算均值
	loss = tf.reduce_mean(tf.square(...))
	# 使用梯度下降法进行优化参数
	optimizer = tf.train.GradientDescentOptimizer(0.5)
	train = optimizer.minimize(loss)
	# 激活所有的变量
	init = tf.initialize_all_variables()
	
	# 从init开始激活
	sess = tf.Session()
	sess.run(init)

for example:
在这里插入图片描述

Session

通过with的方法打开session
在这里插入图片描述

Variable

	# 定义变量必须通过这种方式
	new_value = tf.Variable(...)
	# 定义常量
	one = tf.constant(1)

Placeholder

	# 首先初始化空位
	input1 = tf.placeholder(tf.float32)
	input2 = tf.placeholder(tf.float32)
	# 定义输出为乘法
	output = tf.mul(input1,input2)
	# 利用with方法进行打开Session
	with tf.Session() as sess:
	# 输入参数为字典类型，运用feed_dict=
	print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

Active

在这里插入图片描述

添加层

定义weight和biases以及方程

	Weights = tf.Variable(tf.random_normal([in_size, out_size]))
	biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)
	Wx_plus_b = tf.matmul(inputs, Weights) + biases

定义input的placeholder

	# 表示x,和y都是列向量
	xs = tf.placeholder(tf.float32, [None, 1])
	ys = tf.placeholder(tf.float32, [None, 1])

添加层

	# def add_layer(inputs, in_size, out_size, activation_function=None)
	# 其中参数为：输入数据，输入数据的个数，输出数据的大小，激活函数
	# 添加隐藏层，其中的激活函数使用.nn.relu
	l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)
	# 添加输出层，其中的
	prediction = add_layer(l1, 10, 1, activation_function=None)

添加loss函数和回归方法

	loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction), reduction_indices=[1]))
	train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)

进行训练

	# train_step和loss有关，而loss又和prediction有关，所以最后就和x_data和y_data都有关
	sess.run(train_step, feed_dict={xs: x_data, ys: y_data})
	print(sess.run(loss, feed_dict={xs: x_data, ys: y_data}))

Plot

plot出原来的数据

	fig = plt.figure()
	# 图的长宽和图名
	ax = fig.add_subplot(1,1,1)
	# 以点的方式绘制
	ax.scatter(x_data, y_data)
	# 使用show()会默认将程序暂停，需要使用ion()来忽略暂停
	plt.ion()
	plt.show()

在现在数据的图上进行不断绘制，进行对比

	# 先进行线的删除，如果没有则pass
	try:
        ax.lines.remove(lines[0])
    except Exception:
        pass
    # 然后将prediction的值绘制出来(因为predition和x_data相关)
    prediction_value = sess.run(prediction, feed_dict={xs: x_data})
    # 使用红色的线进行绘制
    lines = ax.plot(x_data, prediction_value, 'r-', lw=5)
    # 暂停一秒等待绘制
    plt.pause(1)