python tensorflow学习（一）tensorflow的常量变量以及入门程序

tensorflow学习（一）

暑假没有学习动力。。。所以通过边学习边写博客来激励自己咯
买了一本tensorflow深度学习实践，希望自己能看玩并在博客里总结。
第一次写博客，有错误希望大神指正 ^ ^。

大纲：

• tensorflow的常量、变量和数据类型
  • 常量创建
  • 变量创建
  • 占位符创建
  • tensorflow中的常用运算函数
• tensorflow入门程序

tensorflow的常量、变量和数据类型

在tensorflow中，数据是通过张量这个数据结构来表示的，即一个多维数组。

常量创建：

# 常量创建
tf.constant( value,  
			dtype=None,	
			shape=None,    
			name='Const',
    		verify_shape=False)

其中：
value是常量的值，可以是数字、列表或者字符串
dtype是该常量的数据类型有
shape是该常量的形状
name可以是任意字符串
verify_shape默认为False，当设置为true时，若value列表的数量与shape不匹配时会报错
例：

hello = tf.constant([1, 2, 3], 
					dtype=tf.int16, 
					shape=[2, 3], 
					verify_shape=True)
sess = tf.Session()
print(sess.run(hello))

结果报错：

TypeError: Expected Tensor's shape: (2, 3), got (3,).

变量创建

tf.Variable(value, dtype=None)

同样，变量也可以设置dtype等参数
例：

hello = tf.Variable([1.0, 2.0, 3.0], dtype=tf.float32)
print(hello)

结果：

<tf.Variable 'Variable:0' shape=(3,) dtype=float32_ref>

占位符创建

在tensorflow中，需要在外界数据被传入之前构建好整个数据流图，所以需要使用占位符来保留外界数据的位置，然后再图运行时再进行赋值

tf.placeholder(
    dtype,
    shape=None,
    name=None
)

其中dtype等参数与常量的参数一致
例：

input1 = tf.placeholder(tf.int32)
input2 = tf.placeholder(tf.int32)

output = tf.add(input1, input2)

sess = tf.Session()
print(sess.run(output, feed_dict={input1: [1], input2: [2]}))

结果：

[3]

其中tf.add是tensorflow的加法函数，通过feed_dict参数将1和2分别给input1和input2赋值。

tensorflow中的常用运算函数

函数	描述
tf.add(x, y, name=None)	加法
tf.sub(x, y, name=None)	减法
tf.mul(x, y , name=None)	乘法
tf.div(x, y, name=None)	除法
tf.mod(x, y, name=None)	取模
tf.abs(x, y, name=None)	取绝对值
tf.neg(x, y, name=None)	取负

tensorflow入门程序

本节我们将实现一个类似于线性拟合的单层神经网络来作为tensoflow的入门程序。

首先，自定义一个数据集

inputx = np.random.rand(3000, 1)
noise = np.random.normal(0, 0.05, inputx.shape)
outputy = inputx*4+1+noise

由此可知，定义的数据集是一个线性函数：
y=4x+1
数据集的大小为3000个
然后，定义要训练的变量weight和bias

weight1 = tf.Variable(np.random.rand(inputx.shape[1], 1))
bias1 = tf.Variable(np.random.rand(inputx.shape[1], 1))

定义输入输出的占位符

x1 = tf.placeholder(tf.float64, [None, 1])
y = tf.placeholder(tf.float64, [None, 1])

定义输出

y1_ = tf.matmul(x1, weight1)+bias1

定义损失函数并选择梯度下降法（这里采用最小二乘法的损失函数，会在之后进行详细说明）

loss = tf.reduce_mean(tf.reduce_sum(tf.square(y1_ - y), reduction_indices=[1]))
train = tf.train.GradientDescentOptimizer(0.25).minimize(loss)

初始化所有数值

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

至此，整个网络模型已经搭建完成，之后只需向占位符赋值即能启动该模型
启动模型，迭代1000次并输出weght和bias的值。

for i in range(1000):
    sess.run(train, feed_dict={x1: inputx, y:outputy})
    print("weight:", weight1.eval(sess))
    print("----------")
    print("bias:",bias1.eval(sess))
    print("----------")

运行结果

weight: [[4.00095686]]
----------
bias: [[1.00055954]]
----------

完整代码：

import tensorflow as tf
import numpy as np

inputx = np.random.rand(3000, 1)
noise = np.random.normal(0, 0.05, inputx.shape)
outputy = inputx*4+1+noise

#1
weight1 = tf.Variable(np.random.rand(inputx.shape[1], 1))
bias1 = tf.Variable(np.random.rand(inputx.shape[1], 1))

x1 = tf.placeholder(tf.float64, [None, 1])
y = tf.placeholder(tf.float64, [None, 1])

y1_ = tf.matmul(x1, weight1)+bias1

loss = tf.reduce_mean(tf.reduce_sum(tf.square(y1_ - y), reduction_indices=[1]))
train = tf.train.GradientDescentOptimizer(0.25).minimize(loss)

init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)

for i in range(1000):
    sess.run(train, feed_dict={x1: inputx, y:outputy})
    print("weight:", weight1.eval(sess))
    print("----------")
    print("bias:",bias1.eval(sess))
    print("----------")

欢迎评论求点赞
我爱学习学习爱我