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

Part-2: Tensorflow教程的简单例子:

这一部分，咱们将会建立一个线性回归模型，在此以前咱们先来看一看将会在代码中用到的TF基本函数：

建立随机正态分布

w是一个变量，大小为784*10，随机取值，标准差为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))

　　

输出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))

　　

输出array([2, 0])，显示了最大值的索引

 

 线性回归练习

问题描述：在线性回归中咱们会使用一条直线来拟合数据点，使得偏差最小，下面的例子当中咱们将会建立一百个数据点。

 

a) 建立训练数据:

trainX在-1和+1之间，trainY是trainX的三倍外加一些随机值

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) 占位符:

 

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

　　

c) 建模:

线性回归模型为y_model（预测）=w*x，咱们须要计算w，损失函数定义为(Y-y_model（预测）)^2，TensorFlow提供了许多优化器，能够在每次迭代以后计算和更新梯度，同时尽可能减小指定的损失函数。

咱们将使用GradientDescentOptimizer最小化损失函数使用0.01的学习率。

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) 训练:

 

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))

 

最后的结果应该在3左右。

 

完整的代码在这里：https://github.com/sankit1/cv-tricks.com

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