tensorflow入門，完成1元1次方程擬合
該一元一次方程為：
x_data
=np.float32(np.random.rand(2,
100))
# 隨機輸入
y_data
=np.dot([
0.100
, 0.200
], x_data)
+0.300
由於是x_data是隨機數，故而無法畫出圖形，若我們定義x為等差數列[[0,
1,2,..
.100
],[101.
..200
]] 則y=
ax+b為分段方程；x在[1,
100] 時，y
=0.100x+
0.3;x在[
101,
200]時，y
=0.200x+
0.3 我們今天要做的，就是使用tensorflow來求解係數0.
100和0.
200以及偏置0.3
以下是**和詳細描述：
import
tensorflow
astf
import
numpy
asnp
x_data
=np.float32(np.random.rand(2,
100))
y_data
=np.dot([
0.100
,0.200
],x_data)
+0.300
# in [18]: y_data
# out[18]:
# array([0.3775784 , 0.44246963, 0.54814347, 0.47920347, 0.44502148,
# 0.47671588, 0.52602917, 0.42399144, 0.55421975, 0.56123726,
# 0.43116061, 0.58739868, 0.56753602, 0.33052424, 0.51231386,
# 0.35698801, 0.41138735, 0.43066818, 0.45888491, 0.51811442,
# 0.37335225, 0.35873668, 0.49872529, 0.51496372, 0.4708255 ,
# 0.33057731, 0.49321586, 0.52910891, 0.48146467, 0.4564127 ,
# 0.49315754, 0.47433195, 0.41521251, 0.47231215, 0.36476854,
# 0.56163432, 0.48083746, 0.36155672, 0.45484892, 0.47454886,
# 0.35468251, 0.58545158, 0.52509505, 0.51380747, 0.40301575,
# 0.49873314, 0.41870016, 0.51702609, 0.38683276, 0.34510854,
# 0.43597745, 0.33068472, 0.45829301, 0.53734922, 0.37926108,
# 0.47578884, 0.50000341, 0.47377452, 0.33492953, 0.54954112,
# 0.49541566, 0.54095768, 0.4495868 , 0.4871654 , 0.51237076,
# 0.48808393, 0.48120754, 0.519952 , 0.50792828, 0.52414889,
# 0.4598966 , 0.53859273, 0.35056699, 0.52637514, 0.37148828,
# 0.52328432, 0.45714943, 0.39835291, 0.47680219, 0.48079917,
# 0.52709996, 0.58097438, 0.31558467, 0.55858573, 0.44779962,
# 0.46960804, 0.32776277, 0.40463255, 0.36816873, 0.40686887,
# 0.53873119, 0.491694 , 0.40990473, 0.48624806, 0.4489985 ,
# 0.49574559, 0.48093255, 0.38655084, 0.48854129, 0.46561137])
#真實資料x_data，y_data
#使用神經網路來進行擬合，假設我們不懂y_dat與x_data之間s的關係
#定義我們使用的weight
#定義乙個一行兩列的weight
#因為我們的引數就是1行兩列
w=tf.variable(tf.random_uniform([1,
2],-1.0
,1.0
)) #定義我們的weight為1行兩列，範圍從-1.0到1.0之間
#定義我們的偏置，原方程只有1個偏置，故我們定義乙個1行1列的偏置
b=tf.variable(tf.zeros([
1]))
# in [28]: w
# out[28]:
# in [29]: b
# out[29]:
#3.定義我們的損失函式，目標為最小化prediction與y_data之間的偏差
prediction
=tf.matmul(w,x_data)+b
loss
=tf.reduce_mean(tf.square(prediction
-y_data))
#4.定義我們的優化器，其實影響的是反向c傳播的梯度，該方法我們也可以自定義
optimizer
=tf.train.gradientdescentoptimizer(
0.5)
#0.1是學習率，就是乙個變化係數，網路根據prediction-y_data的大小，進行求導後，w變化的值=（prediction-y_data）*學習率*梯度*梯度方向
train
=optimizer.minimize(loss)
#定義訓練為最小化誤差loss
#開始tensorflow框架的運用
init
=tf.initialize_all_variables()
with
tf.session()
assess:
sess.run(init)
forstep
inrange
(201
): sess.run(train)
ifstep%20
==0:
("step
,w=,b=
".format(step,sess.run(w),sess.run(b)))
得到結果：
step0,w=[[
0.09073986
0.25432885
]],b=[
0.06143282
] step20,w=[[
0.14288965
0.30549458
]],b=[
0.2138709
] step40,w=[[
0.13310951
0.28356478
]],b=[
0.2322896
] step60,w=[[
0.12557037
0.2661502
]],b=[
0.24672177
] step80,w=[[
0.11976979
0.25235054
]],b=[
0.2580708
] step100,w=[[
0.11530145
0.24141914
]],b=[
0.26699725
] step120,w=[[
0.11185528
0.23276275
]],b=[
0.2740195
] step140,w=[[
0.10919438
0.22590993
]],b=[
0.27954486
] step160,w=[[
0.10713752
0.2204864
]],b=[
0.2838931
] step180,w=[[
0.10554589
0.21619518
]],b=[
0.28731555
] step200,w=[[
0.10431294
0.21280068
]],b=[
0.29000968]
經過200次迭代後，w=[
0.104
,0.212
] b=
0.290
與真實值存在一定偏差，可通過調整學習率
+loss
+迭代次數獲得更好的擬合效果
tensorflow入門筆記（1）
計算圖 tf.graph 張量 tf.tensor 會話 tf.session 計算圖的每乙個節點都是乙個運算，計算圖的邊則表示了運算之間的傳遞關係。張量是乙個多維陣列，主要儲存三個屬性 名字 維度 型別 型別一旦定義不能改變 在張量中並沒有真正儲存數字，它儲存的是如何得到這些數字的計算過程。a t...
TensorFlow入門教程（1）
一 tensorflow的結構 如上圖，tensorflow由tensor operation session variable等組成，其中tensor表示資料，operation表示操作 例如加減乘除 所有的流程圖graph都由session來啟動，variable表示變數。上面的流程圖表示，首先...
TensorFlow學習筆記1 入門
tensorflow運算的本質是有狀態的資料流式圖。tensorflow的直譯是 流動的張量 簡單的有向圖示例如圖 其 表示為 import tensorflow as tf b tf.variable tf.zeros 100 生成100維的向量，初始化為0 w tf.variable tf.ra...