Tensorflow-基礎使用

Tensorflow基本概念

• 使用圖（graphs）來表示計算任務
• 在被稱之爲會話（Session）的上下文（context）中執行圖
• 使用tensor表示數據
• 經過變量（Variable）維護狀態
• 使用feed和fetch能夠爲任意的操做賦值或者從其中獲取數據

Tensorflow是一個編程系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之爲op
（operation），一個op得到0個或多個Tensor，執行計算，產生0個或多個Tensor。Tensor 看做是
一個 n 維的數組或列表。圖必須在會話（Session）裏被啓動。

Tensorflow結構

 

 建立圖，啓動圖

#2-1 建立圖，啓動圖 #建立一個常量op
m1=tf.constant([[3,3]]) #建立一個常量op
m2=tf.constant([[2],[3]]) #建立一個矩陣乘法op
product=tf.matmul(m1,m2) print(product) with tf.compat.v1.Session() as sess: # run(product)觸發了圖中的3個op
    result = sess.run(product) print(result)

結果爲：

 

 變量

#2-2變量 #建立一個變量初始化0
state=tf.Variable(0,name='counter') #建立op，做用是使state加1
new_value=tf.add(state,1) #賦值op
update=tf.compat.v1.assign(state,new_value) with tf.compat.v1.Session() as sess: #變量初始化
 sess.run(tf.compat.v1.global_variables_initializer()) print(sess.run(state)) for _ in range(5): sess.run(update) print(sess.run(state))

輸出爲：

 

 Fetch and Feed

#2-3Fetch and Feed #Fetch
input1=tf.constant(3.0) input2=tf.constant(2.0) input3=tf.constant(5.0) add=tf.add(input2,input3) mul=tf.multiply(input1,add) with tf.compat.v1.Session() as sess: result=sess.run([mul,add]) print(result) #Feed #建立佔位符
input1=tf.compat.v1.placeholder(tf.float32) input2=tf.compat.v1.placeholder(tf.float32) output=tf.multiply(input1,input2) with tf.compat.v1.Session() as sess: #feed的數據以字典傳入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

輸出爲：

 

 線性模型

import numpy as np #使用np生成100個隨機點
x_data=np.random.rand(100) y_data=x_data*0.1+0.2

#構造一個線性模型
b=tf.Variable(0.) k=tf.Variable(0.) y=k*x_data+b #二次代價函數
loss=tf.reduce_mean(tf.square(y_data-y)) #定義一個梯度降低法來進行訓練的優化器
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.2) #最小化代價函數
train=optimizer.minimize(loss) #對變量進行初始化
init=tf.compat.v1.global_variables_initializer() with tf.compat.v1.Session() as sess: sess.run(init) for step in range(201): sess.run(train) if step%20==0: print(step,sess.run([k,b]))

輸出爲：