TensorFlow的使用

目录

Tensorflow基本概念

导包

创建常量

创建会话

常用简单方法

变量

Fetch 

Feed

Tensorflow简单示例

---

Tensorflow基本概念

1. 使用图（graphs）来表示计算任务
2. 在被称之为会话（Session）的上下文（context）中执行图
3. 使用tensor表示数据
4. 通过变量（Variable）维护状态
5. 使用feed和fetch可以为任意的操作赋值或者从其中获取数据

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation），一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor 看作是一个 n 维的数组或列表。图必须在会话（Session）里被启动。

 

导包

import tensorflow as tf

创建常量

#创建一个常量op
m1=tf.constant([[3,3]])
#创建一个常量op
m2=tf.constant([[2],[3]])
m1
m2

#创建一个矩阵乘法的op,把m1和m2

product=tf.matmul(m1,m2)
print(product)#这里可以看出 ，没有结果

这里可以看出 ，没有输出结果，因为在TensorFlow中，op要在会话中执行。

创建会话

#定义一个会话，启动默认的图
sess=tf.Session()
#调用sess的run方法来执行矩阵乘法op run(product)触发了图中3个op
result=sess.run(product)
print(result)
sess.close()#关闭会话

常用简单方法

#简单方法定义会话  不需要执行close()命令
with tf.Session() as sess:
    #调用sess的run方法来执行矩阵乘法op run(product)触发了图中3个op
    result=sess.run(product)
    print(result)

变量

x=tf.Variable([1,2])
a=tf.constant([3,3])

#增加一个减法op
sub=tf.subtract(x,a)
#增加一个加法op
add=tf.add(x,sub)

#变量需要初始化
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))

state=tf.Variable(0,name='counter')
#创建一个op，作用是使state加1
new_value=tf.add(state,1)
#把后面的值赋值给前面的值
update=tf.assign(state,new_value)
#变量初始化
init=tf.global_variables_initializer()


with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))
        

Fetch 

#在会话里面执行多个op,然后得到它的结果
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(5.0)


add=tf.add(input2,input3)
mul=tf.multiply(input1,add)

with tf.Session() as sess:
    result=sess.run([mul,add])
    print(result)
    

Feed

#Feed
#创建占位符
input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)
output=tf.multiply(input1,input2)
with tf.Session() as sess:
    #feed的数据以字典的形式传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

Tensorflow简单示例

#使用numpy生成100个随机点
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2#真实值

#构造一个线性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b

#优化k,b，使得得到的直线接近上面的直线

#二次代价函数，y_data-y:误差=预测值-真实值，square：平方，tf.reduce_mean：求平均值
loss=tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer=tf.train.GradientDescentOptimizer(0.2)#0.2学习率
#最小化代价函数
train=optimizer.minimize(loss)

#初始化变量
init=tf.global_variables_initializer()

with tf.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))