TensorFlow Tutorial: Practical TensorFlow lesson for quick learners - Part 2（譯）

Part-2: Tensorflow教程的簡單例子:

這一部分，咱們將會建立一個線性迴歸模型，在此以前咱們先來看一看將會在代碼中用到的TF基本函數：

建立隨機正態分佈

w是一個變量，大小爲784*10，隨機取值，標準差爲0.01

w=tf.Variable(tf.random_normal([784, 10], stddev=0.01))

　　

平均值Reduce_mean:

b = tf.Variable([10,20,30,40,50,60],name='t')
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    sess.run(tf.reduce_mean(b))

　　

輸出35

ArgMax:

a=[ [0.1, 0.2,  0.3  ],
    [20,  2,       3   ]
  ]
b = tf.Variable(a,name='b')
with tf.Session() as sess:
    sess.run(tf.initialize_all_variables())
    sess.run(tf.argmax(b,1))

　　

輸出array([2, 0])，顯示了最大值的索引

 

 線性迴歸練習

問題描述：在線性迴歸中咱們會使用一條直線來擬合數據點，使得偏差最小，下面的例子當中咱們將會建立一百個數據點。

 

a) 建立訓練數據:

trainX在-1和+1之間，trainY是trainX的三倍外加一些隨機值

import tensorflow as tf
import numpy as np
 
trainX = np.linspace(-1, 1, 101)
trainY = 3 * trainX + np.random.randn(*trainX.shape) * 0.33

　　

b) 佔位符:

 

X = tf.placeholder("float")
Y = tf.placeholder("float")

　　

c) 建模:

線性迴歸模型爲y_model（預測）=w*x，咱們須要計算w，損失函數定義爲(Y-y_model（預測）)^2，TensorFlow提供了許多優化器，能夠在每次迭代以後計算和更新梯度，同時儘可能減小指定的損失函數。

咱們將使用GradientDescentOptimizer最小化損失函數使用0.01的學習率。

w = tf.Variable(0.0, name="weights")
y_model = tf.multiply(X, w)
 
cost = (tf.pow(Y-y_model, 2))
train_op = tf.train.GradientDescentOptimizer(0.01).minimize(cost)

　　

  d) 訓練:

 

init = tf.initialize_all_variables()
#init= tf.global_variables_initializer() for new tf

　　

with tf.Session() as sess:
    sess.run(init)
    for i in range(100):
        for (x, y) in zip(trainX, trainY):
            sess.run(train_op, feed_dict={X: x, Y: y})
    print(sess.run(w))

 

最後的結果應該在3左右。

 

完整的代碼在這裏：https://github.com/sankit1/cv-tricks.com

reference：https://cv-tricks.com/artificial-intelligence/deep-learning/deep-learning-frameworks/tensorflow/tensorflow-tutorial/