TensorFlow入门案例分析

最新推荐文章于 2023-12-23 09:37:36 发布

原创

最新推荐文章于 2023-12-23 09:37:36 发布 · 594 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#TensorFlow #神经网络 #softmax

本文通过对TensorFlow的一个入门案例进行整理和分析，介绍了使用TensorFlow模型的一些基本概念和一般性的规律

在进入案例之前首先介绍一下使用TensorFlow编程模型会涉及到的基本概念。

一、TensorFlow编程模型

基本概念

TensorFlow编程模型将计算表示为一个有向图（computation graph）
图的每一个节点（node）代表一个运算操作（operation）
图的边有两种含义：
- 一种表示数据流（flow）
- 一种表示依赖控制（contrial dependencies）。这类边约束节点执行的顺序，可以用来进行条件控制
在计算图的边中流动（flow）的数据被称为张量（tensor）——tensorflow命名的由来
用户与tensorflow交互的接口：Session
- 可通过Seesion的Extend方法向计算图添加新的节点和边
- 可通过Session的Run方法来执行计算图
Variable：一种特殊运算符，将一些需要保留的tensor储存在内存或者显存中，并在计算时更新

实现原理

涉及到的几个重要概念：

client：客户端
session：提供client与master和worker相连的接口
master：负责指导所有worker按流程执行计算图
worker：与计算设备（CPU或者GPU）相连，负责管理这些计算设备。每一个worker可以管理多个设备。

这几个概念的关系为：
client通过session的接口与master及多个worker相连，其中每一个worker可以与多个硬件设备（device）相连，比如CPU或者GPU。

TensorFlow的执行模式有两种：

单机模式：client, master, worker全部在一台机器上的同一个进程中
分布式模式：允许client, master, worker在不同机器的不同进程中。同时由集群调度系统同意管理各项任务

在本文中，我们只涉及到单机模式，可以暂且不去关注分布式模式。

二、案例

该案例是通过一个单层的softmax神经元对MNIST手写数字进行识别。先上代码，该代码可以直接运行，后续我们对代码进行分析。

本文目标是总结TensorFlow的使用，对于softmax神经元的模型、MNIST手写数字以及一些机器学习的先验知识，在此不去详细介绍。

# -*- coding: utf-8 -*-
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets('MNIST_data/', one_hot = True)
print(mnist.train.images.shape, mnist.train.labels.shape)
print(mnist.test.images.shape, mnist.test.labels.shape)
#加载MNIST数据集，并输出数据集的信息

sess = tf.InteractiveSession() #创建一个session

x = tf.placeholder(tf.float32,[None, 784]) #用于输入训练数据

W = tf.Variable(tf.zeros([784,10])) #softmax神经元的权值矩阵
b = tf.Variable(tf.zeros([10])) #softmax神经元的偏置矩阵

y = tf.nn.softmax(tf.matmul(x,W )+b) #通过softmax计算出来的label

y_ = tf.placeholder(tf.float32, [Non