码迷,mamicode.com
首页 > 其他好文 > 详细

tensorflow学习笔记一——just get started

时间:2016-07-04 13:35:34      阅读:163      评论:0      收藏:0      [点我收藏+]

标签:

  我现在什么都不知道,打算开始学习tensorflow作为机器学习入门的开始。

  昨天完成了对tensorflow官方入门介绍的学习,了解了tensorflow的基本原理和编程方法。我们在进行tensorflow编程时,程序的逻辑是:建立数据流图-->初始化变量-->运行程序。下面就每一步进行介绍。

  1. 建立数据流图
      完成了这一部分的学习,我才了解了tensorflow的意思。在tensorflow中,程序的逻辑可以表示成数据流图,图的节点是一组对tensor(向量或者矩阵)的操作,节点的输出仍是一组向量或者矩阵。在建立数据流图时,可以先给出数据,或者用变量表示输入数据,在第三步运行时再对变量进行赋值。
    import tensorflow as tf
    
    # Create a Constant op that produces a 1x2 matrix.  The op is
    # added as a node to the default graph.
    #
    # The value returned by the constructor represents the output
    # of the Constant op.
    matrix1 = tf.constant([[3., 3.]])
    
    # Create another Constant that produces a 2x1 matrix.
    matrix2 = tf.constant([[2.],[2.]])
    
    # Create a Matmul op that takes ‘matrix1‘ and ‘matrix2‘ as inputs.
    # The returned value, ‘product‘, represents the result of the matrix
    # multiplication.
    product = tf.matmul(matrix1, matrix2)

    上面一段代码就创建了简单的图界面,节点的输入是两个常量矩阵,即在创建节点时已经给出了输入值,节点的输出是两个矩阵的乘积。当然,我们还可以用变量表示节点的输入,如步骤2的 代码所示

  2. 初始化变量
    如果我们在建立数据流图时定义了变量,程序在运行之前首先需要对变量进行初始化。用于变量初始化的命令很简单:tensorflow.initialize_all_variables(),在下面的程序中定义了变量并进行了变量的初始化:
    import tensorflow as tf
    import numpy as np
    
    # Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3
    x_data = np.random.rand(100).astype(np.float32)
    y_data = x_data * 0.1 + 0.3
    
    # Try to find values for W and b that compute y_data = W * x_data + b
    # (We know that W should be 0.1 and b 0.3, but Tensorflow will
    # figure that out for us.)
    W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
    b = tf.Variable(tf.zeros([1]))
    y = W * x_data + b
    
    # Minimize the mean squared errors.
    loss = tf.reduce_mean(tf.square(y - y_data))
    optimizer = tf.train.GradientDescentOptimizer(0.5)
    train = optimizer.minimize(loss)
    
    # Before starting, initialize the variables.  We will ‘run‘ this first.
    init = tf.initialize_all_variables()
    
    # Launch the graph.
    sess = tf.Session()
    sess.run(init)

     

  3. 运行程序,得到结果
    运行程序之前需要通过tensorflow.Session()建立session,然后运行程序,如果我们已经在建立流图时给出了程序的输入,那么直接将需要计算的结果作为run的参数:
    技术分享
     1 import tensorflow as tf
     2 import numpy as np
     3 #输入已经给出
     4 x_data = np.random.rand(100).astype(np.float32)
     5 y_data = x_data * 0.1 + 0.3
     6 
     7 W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
     8 b = tf.Variable(tf.zeros([1]))
     9 y = W * x_data + b
    10 
    11 # Minimize the mean squared errors.
    12 loss = tf.reduce_mean(tf.square(y - y_data))
    13 optimizer = tf.train.GradientDescentOptimizer(0.5)
    14 train = optimizer.minimize(loss)
    15 
    16 # Before starting, initialize the variables.  We will ‘run‘ this first.
    17 init = tf.initialize_all_variables()
    18 
    19 # Launch the graph.
    20 sess = tf.Session()
    21 sess.run(init)
    22 
    23 # Fit the line.
    24 for step in range(201):
    25     sess.run(train)
    26     if step % 20 == 0:
    27         #我们需要计算W和b的值,将他们作为run的参数
    28         print(step, sess.run(W), sess.run(b))
    29 
    30 # Learns best fit is W: [0.1], b: [0.3]
    View Code

    对于使用变量代表输入的程序,需要将变量赋值并作为run的参数:

    技术分享
    #定义了变量,未经性赋值
    input1 = tf.placeholder(tf.float32)
    input2 = tf.placeholder(tf.float32)
    output = tf.mul(input1, input2)
    
    with tf.Session() as sess:
        #运行时,以字典形式传入变量的值
      print(sess.run([output], feed_dict={input1:[7.], input2:[2.]}))
    View Code

     

tensorflow学习笔记一——just get started

标签:

原文地址:http://www.cnblogs.com/ThingToForget/p/5639977.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!