Tensorflow-基础使用

Tensorflow基本概念

• 使用图（graphs）来表示计算任务
• 在被称之为会话（Session）的上下文（context）中执行图
• 使用tensor表示数据
• 经过变量（Variable）维护状态
• 使用feed和fetch能够为任意的操做赋值或者从其中获取数据

Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op
（operation），一个op得到0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor 看做是
一个 n 维的数组或列表。图必须在会话（Session）里被启动。

Tensorflow结构

 

 建立图，启动图

#2-1 建立图，启动图 #建立一个常量op
m1=tf.constant([[3,3]]) #建立一个常量op
m2=tf.constant([[2],[3]]) #建立一个矩阵乘法op
product=tf.matmul(m1,m2) print(product) with tf.compat.v1.Session() as sess: # run(product)触发了图中的3个op
    result = sess.run(product) print(result)

结果为：

 

 变量

#2-2变量 #建立一个变量初始化0
state=tf.Variable(0,name='counter') #建立op，做用是使state加1
new_value=tf.add(state,1) #赋值op
update=tf.compat.v1.assign(state,new_value) with tf.compat.v1.Session() as sess: #变量初始化
 sess.run(tf.compat.v1.global_variables_initializer()) print(sess.run(state)) for _ in range(5): sess.run(update) print(sess.run(state))

输出为：

 

 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 #建立占位符
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的数据以字典传入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

输出为：

 

 线性模型

import numpy as np #使用np生成100个随机点
x_data=np.random.rand(100) y_data=x_data*0.1+0.2

#构造一个线性模型
b=tf.Variable(0.) k=tf.Variable(0.) y=k*x_data+b #二次代价函数
loss=tf.reduce_mean(tf.square(y_data-y)) #定义一个梯度降低法来进行训练的优化器
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.2) #最小化代价函数
train=optimizer.minimize(loss) #对变量进行初始化
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]))

输出为：