TensorFlow入门

---

1 导入tensorflow

import tensorflow as tf

2 创建节点

node1 = tf.constant(3.0,tf.float32) # 常量
node2 = tf.constant(4.0) #默认32位浮点 
print(node1,node2);      

输出

[3.0, 4.0]

3 创建网络

节点的信息

sess = tf.Session()  #创建网络
print(sess.run([node1,node2])) #输出节点信息

输出

('node3: ', <tf.Tensor 'Add:0' shape=() dtype=float32>)

4 相加操作

#节点相加
node3=tf.add(node1,node2)
print("node3: ",node3)
print("sess.run(node3):",sess.run(node3))

输出

('sess.run(node3):', 7.0)

5 输入操作

#输入数据，节点相加
a=tf.placeholder(tf.float32)
b=tf.placeholder(tf.float32)
add_node=a+b # 相当于add_node=tf.add(a,b)

print(sess.run(add_node,{a:3,b:4.5}))
print(sess.run(add_node,{a:[1,2],b:[3,4]}))
print(sess.run(add_node,{a:[[1,2],[3,4]],b:[[3,4],[5,6]]}))

输出

7.5
[ 4.  6.]
[[  4.   6.]
 [  8.  10.]]

6 相乘操作

#节点乘3
add_triple = add_node * 3
print(sess.run(add_triple,{a:[1,2],b:[3,4]}))

输出

[ 12.  18.]

7 线性回归实例

7.1 建立方程

W = tf.Variable([.3],tf.float32)
b = tf.Variable([-0.3],tf.float32)
x = tf.placeholder(tf.float32)
linear_model= W * x + b #l=W*x+b

#变量需要初始化
init = tf.global_variables_initializer()
sess.run(init)
print(sess.run(linear_model,{x:[1,2,3,4]}))

输出

[ 0.          0.30000001  0.60000002  0.90000004]

7.2 计算损失值

#计算损失值，在这里用误差平方和
y=tf.placeholder(tf.float32)
squared_deltas=tf.square(linear_model-y)
loss = tf.reduce_sum(squared_deltas)
print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]}))

输出

23.66

7.3 对W和b重新赋值

#对W和b重新赋值，使用tf.assign()方法
fixW = tf.assign(W, [-1.])
fixb = tf.assign(b, [1.])
sess.run([fixW,fixb]) #需要此语句生效
print(sess.run(loss,{x:[1,2,3,4],y:[0,-1,-2,-3]}))

输出

0.0

7.4 使用梯度下降进行回归

#梯度下降线性回归
optimizer=tf.train.GradientDescentOptimizer(0.001)  #0.01为步长，也称学习率
train=optimizer.minimize(loss)  #最小化损失函数
#训练10000次
sess.run(init) #变量初始化
for i in range(10000):
    sess.run(train, {x:[1,2,3,4], y:[0,-1,-2,-3]})
print(sess.run([W,b]))

输出

[array([-0.99998975], dtype=float32), array([ 0.99997061], dtype=float32)]

From[TensorFlow入门]