tensorflow基础

import tensorflow as tf
matrix1=tf.constant([[3,3]])
matrix2=tf.constant([[2],
                    [2]])
product=tf.matmul(matrix1,matrix2)

with tf.Session() as sess:#打开Session以sess命名，不用管关不关Session,运行完with里的语句自动关Session
    result2=sess.run(product)
    print("行乘以列:",result2)

输出：
行乘以列: [[12]]

#定义变量
import tensorflow as tf

state=tf.Variable(0,name='counter')#Variable(初始值,name='变量名子')
print(state.name)#打印出它的名字

one=tf.constant(1)

new_value=tf.add(state,one)#输出为Tensor("Add_4:0", shape=(), dtype=int32)可见new_value只是一个表明，
                            #并非真正的值，更像是表明这里的add这个运算过程，
                                                        #其实真正的值实在变量state中。
update=tf.assign(state,new_value)#将new_value加载到state

init=tf.global_variables_initializer()#激活全部变量

with tf.Session() as sess:
    sess.run(init)
    for _ in range(3):#三次循环
        sess.run(update)

        print(sess.run(state))#必需要用sess这个指针去run一下

输出：
counter_7:0
1
2
3

什么是placeholder？

在这里用了placeholder()，那么就要与feed_dict传如至关对应的数据，feed_dict是python中 字典的形式。

import tensorflow as tf

input1=tf.placeholder(tf.float32)
input2=tf.placeholder(tf.float32)

output=tf.multiply(input1,input2)

with tf.Session() as sess:
  print(sess.run(output,feed_dict={input1:[7.],input2:[8.0]}))##feed_dict与placeholder相对应

输出：
[56.]
什么是激励函数？

激励函数强行将线性结果给“掰弯”。你也能够定义本身的激励函数，但激励函数必须可微分的， 由于在偏差反向传播只有可微的函数才能将偏差传递回去。。 在隐藏层较少时激励函数均可以尝试，但多层时激励函数选择不当就涉及到梯度爆炸和梯度消失问题了。。

#定义激励函数 并 定义一个添加神经层函数

import tensorflow as tf 
import numpy as np

def add_layer(inputs,in_size,out_size,activation_function):
  Weights=tf.Variable(tf.random_normal([in_size,out_size]))#定义一个in_siz行，out_size列的矩阵。
                                                           #注：矩阵相乘输出为：前面项的行数，后面项的列数。
  biases=tf.Variable(tf.zeros([1,out_size])+0.1)#定义一个偏置
  Wx_plus_b=tf.matmul(inputs,Weights)+biases
  if activation_function is None:
    outputs=Wx_plus_b
  else:
    outputs=activation_function(Wx_plus_b)
  return outputs

x_data=np.linspace(-1,1,300)[:,np.newaxis]##这一行中的[:,np.newxis]是将数据在行上增长n多行，列数为1
noise=np.random.normal(0,0.05,x_data.shape)
y_data=np.square(x_data)-0.5+noise

xs=tf.placeholder(tf.float32,[None,1])#数据为float32形式
ys=tf.placeholder(tf.float32,[None,1])

l1=add_layer(xs,1,10,activation_function=tf.nn.relu)#用placeholder中传来的值
prediction=add_layer(l1,10,1,activation_function=None)

loss=tf.reduce_mean(tf.reduce_sum(tf.square(ys-prediction),reduction_indices=[1]))

train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)

init=tf.initialize_all_variables()

sess=tf.Session()
sess.run(init)

for i in range(1000):
  sess.run(train_step,feed_dict={xs:x_data,ys:y_data})
  if i%100==0:
    print("第%d次："%(i),sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

输出：
第0次： 0.552953
第100次： 0.0048867096
第200次： 0.004147886
第300次： 0.0036950905
第400次： 0.0032849575
第500次： 0.0030228847
第600次： 0.0029233024
第700次： 0.002866037
第800次： 0.0028031832
第900次： 0.0027658343
x_data=np.linspace(-1,1,300)[:,np.newaxis] 什么意思？

numpy.linspace使用详解：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)

在指定的间隔内返回均匀间隔的数字。
参数：
start：起始点；stop：结束；num：个数（默认50）；endpoint：若是是真，则必定包括stop，若是为False，必定不会有stop； 等

Returns:
samples : ndarray