tensorflow 笔记（一）

最新推荐文章于 2024-12-07 15:45:16 发布

原创最新推荐文章于 2024-12-07 15:45:16 发布 · 125 阅读

CC 4.0 BY-SA版权

本文介绍TensorFlow的基础知识，包括常量、变量、初始化、运算操作、fetch和feed机制，以及如何使用Session执行操作。通过实例演示了矩阵乘法、加法、减法等基本运算，并介绍了如何使用占位符进行feed操作。此外，还详细讲解了如何利用TensorFlow实现线性模型的优化，通过梯度下降法最小化损失函数。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Tensorflow的基本知识:

常量、变量、初始化、基本运算operation、fetch、feed、Session()

import tensorflow as tf

# ********************* 常量与变量 **************************
# 创建一个常量op
m_1 = tf.constant([[3, 3]])  # 1行2列
m_2 = tf.constant([[2], [3]])  # 2行1列

# 创建一个变量(变量需要初始化)
x = tf.Variable([1,2])
# 初始化变量
init = tf.global_variables_initializer()

# ********************* 运算op ****************************
# 创建一个乘法op
product = tf.matmul(m_1, m_2)
# 创建一个加法op
sub = tf.subtract(x,m_1)
# 创建一个减法op
add = tf.add(x,sub)
# 创建一个赋值op
update = tf.assign(x,m_1)

# ******************* Fetch and feed ***********************
input_1 = tf.constant(3.0)
input_2 = tf.constant(2.0)
input_3 = tf.constant(5.0)

input_4 = tf.placeholder(tf.float32)  # 创建占位符
input_5 = tf.placeholder(tf.float32)  # 创建占位符

add_fetch = tf.add(input_2,input_3)
mul_fetch = tf.multiply(input_1,add_fetch)

output = tf.multiply(input_4,input_5)

# 定义一个会话，启动默认图
with tf.Session() as sess:
    # 调用sess的run方法来执行矩阵乘法op
    # run触发了op
    sess.run(init)  # 初始化

    result = sess.run(product)  # [[15]]
    result_add = sess.run(add)
    result_sub = sess.run(sub)
    
    result_fetch = sess.run([mul_fetch,add_fetch])  # [21.0,7.0]
    result_feed = sess.run(output, feed_dict={input_1: [8.], input_2: [2.]})  # [16.]
    for _ in range(5):
        sess.run(update)

方差最小梯度下降法寻找合适的线性关系

import tensorflow as tf
import numpy as np

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

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

# 二次代价函数 【tf.square -> x^2 】 【tf.reduce_mean -> 平均数】
loss = tf.reduce_mean(tf.square(y_data-y))
# 定义一个梯度下降法作为训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
# 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)