本教程有同步的github位址
0. 統領篇
1. 計算圖的建立與啟動
2. 變數的定義及其操作
3. feed與fetch
4. 線性回歸
5. 構建非線性回歸模型
6. 簡單分類問題
7. dropout與優化器
8. 手動調整學習率與tensorboard
9. 卷積神經網路（cnn）
10. 迴圈神經網路（rnn）
11. 模型的儲存與恢復
線性回歸：是回歸問題，形式如y=k
×x+b
y=k\times x + b
y=k×x+
b。np.random.rand()通過這個函式可以生成乙個或者一組從0-1均勻分布的隨機樣本值。隨機樣本的取值範圍是[0, 1)。
tf.square()計算平方，針對乙個或者一組資料進行平方計算，即x^2。
tf.reduce_mean()計算平均數，計算乙個list的平均數。
tf.train.gradientdescentoptimizer()定義sgd優化器。
#%% md
# 線性回歸
#%%import tensorflow as tf
import numpy as np
#%% md
生成隨機的資料點100個
np.random.rand(
)函式作用：
通過本函式可以返回乙個或一組服從「0
~1」均勻分布的隨機樣本值。隨機樣本取值範圍是\[0,
1)，不包括1。
#%%x_data = np.random.rand(
100)
y_data =
0.1* x_data +
0.2#%%
x_data
#%%y_data
#%% md
構造線性模型
#%%b = tf.variable(0.
)k = tf.variable(0.
)y = k * x_data + b
#%%k
#%%b
#%%y
#%% md
建立二次代價函式
`tf.square(
)`計算平方
`tf.reduce_mean(
)`計算均值
#%%loss = tf.reduce_mean(tf.square(y - y_data)
)#%%
loss
#%% md
定義優化器
#%%optim = tf.train.gradientdescentoptimizer(
0.2)
#%%optim
#%% md
最小化代價函式
#%%train_step = optim.minimize(loss)
#%%train_step
#%% md
初始化全部的變數
#%%init = tf.global_variables_initializer(
)#%% md
訓練迭代
#%%with tf.session(
)as sess:
sess.run(init)
for step in
range
(2000):
sess.run(train_step)
if step %
20==0:
k_value, b_value, loss_value = sess.run(
[k, b, loss]
)print
("k={}, b={}, loss={}"
.format
(k_value, b_value, loss_value)
)#%%
tensorflow1 x具體安裝過程
安裝方案1 已有環境解除安裝 conda uninstall env name 安裝命令為 conda install tensorflow 1.7.0 或者安裝離線tf包 pip install d 安裝包 tensorflow 1.4.0rc1 cp36 cp36m win amd64.whl ...
重新整理tensorflow 1 x基本概念（2）
variable 在tensorflow中，用variable表示可以改變其值的特殊tensor，是用於表示程式處理的共享持久狀態的推薦方法。許多高階的庫 如 tf.keras 使用 tf.variable 來儲存模型引數。要建立變數，請提供乙個初始值。tf.variable 與初始值的 dtype...
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...