tf簡單例子

y=ax+b（a、b是常量），這是一條非常簡單的數學方程式，有小學基礎的人應該都知道。

我現在有很多的x和y值，所以問題就是如何通過這些x和y值來得到a和b的值？

**test.py如下：

import numpy as np #這是python的一種開源的數值計算擴充套件，非常強大

import tensorflow as tf #匯入tensorflow

##構造資料##

x_data=np.random.rand(100).astype(np.float32) #隨機生成100個型別為float32的值

y_data=x_data*0.1+0.3 #定義方程式y=x_data*a+b

##-------##

##建立tensorflow神經計算結構##

weight=tf.variable(tf.random_uniform([1],-1.0,1.0))

biases=tf.variable(tf.zeros([1]))

y=weight*x_data+biases

##-------##

loss=tf.reduce_mean(tf.square(y-y_data)) #判斷與正確值的差距

optimizer=tf.train.gradientdescentoptimizer(0.5) #根據差距進行反向傳播修正引數

train=optimizer.minimize(loss) #建立訓練器

init=tf.global_variables_initializer() #初始化tensorflow訓練結構

sess=tf.session() #建立tensorflow訓練會話

sess.run(init) #將訓練結構裝載到會話中

for step in range(400): #迴圈訓練400次

sess.run(train) #使用訓練器根據訓練結構進行訓練

if step%20==0: #每20次列印一次訓練結果

print(step,sess.run(weight),sess.run(biases)) #訓練次數，a值，b值

執行pyhton 1.py，結果如下：

0 [0.53761494] [0.09637235]

20 [0.1971053] [0.25049835]

40 [0.12194208] [0.28881454]

60 [0.10495806] [0.29747254]

80 [0.10112034] [0.2994289]

100 [0.10025313] [0.29987097]

120 [0.10005721] [0.29997087]

140 [0.10001294] [0.29999343]

160 [0.10000292] [0.29999852]

180 [0.10000066] [0.29999968]

200 [0.10000016] [0.29999992]

220 [0.10000011] [0.29999995]

240 [0.10000011] [0.29999995]

260 [0.10000011] [0.29999995]

280 [0.10000011] [0.29999995]

300 [0.10000011] [0.29999995]

320 [0.10000011] [0.29999995]

340 [0.10000011] [0.29999995]

360 [0.10000011] [0.29999995]

380 [0.10000011] [0.29999995]

解釋：tf.reduce_max，tf.reduce_mean

求最大值tf.reduce_max(input_tensor, reduction_indices=none, keep_dims=false, name=none)

求平均值tf.reduce_mean(input_tensor, reduction_indices=none, keep_dims=false, name=none)

引數1--input_tensor:待求值的tensor。

引數2--reduction_indices:在哪一維上求解。

引數（3）（4）可忽略

# 'x' is [[1., 2.]

# [3., 4.]]

x是乙個2維陣列，分別呼叫reduce_*函式如下：

首先求平均值：

tf.reduce_mean(x) ==> 2.5 #如果不指定第二個引數，那麼就在所有的元素中取平均值

tf.reduce_mean(x, 0) ==> [2., 3.] #指定第二個引數為0，則第一維的元素取平均值，即每一列求平均值

tf.reduce_mean(x, 1) ==> [1.5, 3.5] #指定第二個引數為1，則第二維的元素取平均值，即每一行求平均值

class tf.train.gradientdescentoptimizer

使用梯度下降演算法的optimizer，還有其它的演算法，如：class tf.train.adadeltaoptimizer使用adadelta演算法的optimizer，class tf.train.adagradoptimizer使用adagrad演算法的optimizer，class tf.train.momentumoptimizer使用momentum演算法的optimizer，class tf.train.adamoptimizer使用adam 演算法的optimizer，class tf.train.ftrloptimizer使用ftrl 演算法的optimizer，class tf.train.rmspropoptimizer使用rmsprop演算法的optimizer。

_init__(learning_rate, use_locking=false,name=』gradientdescent』)

作用：建立乙個梯度下降優化器物件

引數：learning_rate: a tensor or a floating point value. 要使用的學習率

use_locking: 要是true的話，就對於更新操作（update operations.）使用鎖

name: 名字，可選，預設是」gradientdescent」.

optimizer.minimize

然後，可以設定乙個用於記錄全域性訓練步驟的單值。以及使用minimize()操作，該操作不僅可以優化更新訓練的模型引數，也可以為全域性步驟(global step)計數。與其他tensorflow操作類似，這些訓練操作都需要在tf.session會話中進行

tf.random_uniform

tf.random_uniform((4, 4), minval=low,maxval=high,dtype=tf.float32)))返回4*4的矩陣，產生於low和high之間，產生的值是均勻分布的。例：

import tensorflow as tf

import numpy as np

with tf.session() as sess:

print(sess.run(tf.random_uniform(

(4, 4), minval=-0.5,

maxval=0.5,dtype=tf.float32)))

輸出：[[ 0.23706067 0.42579055 0.16444612 0.12134457]

[ 0.14245582 0.32224071 -0.3107301 0.29911542]

[-0.03472292 -0.37411058 -0.22680879 0.21656895]

[-0.37798405 0.31725729 -0.17690742 -0.02995324]]

tf.zeros

建立乙個所有的引數為０的tensor物件， tf.zeros(shape, dtype=tf.float32, name=none)

引數:shape: 用於表示維度，通常為乙個int32型別陣列，或者乙個一維(1-d)的tf.int32數字．注意不能直接使用數字

dtype: 所要建立的tensor物件的資料型別

name: 乙個該操作的別名(可選的).

data = tf.zeros([8], dtype=tf.float16)

p.printvalue("sess.zeros([1], dtype=tf.float16)", data)

輸出：# sess.zeros([1], dtype=tf.float16) : tensor("zeros_3:0", shape=(8,), dtype=float16) -

[ 0. 0. 0. 0. 0. 0. 0. 0.]

tf簡單例子

簡單委託例子

Pro C 簡單例子

TabLayout簡單例子

tf簡單例子

簡單委託例子

Pro C 簡單例子

TabLayout簡單例子

相關推薦