第一节课

---

tensorboard–可以查看训练效果
安装ananconda（略）

tensorflow简介

tensorflow结构

是个数据流动的趋势，
graph1:默认图
graph2：W*x+b->ReLU

2-1 基本计算-会话的使用

import tensorflow as tf # 创建一个常量op,1*2 m1=tf.constant([[3,3]]) # 2*1 m2=tf.constant([[2],[3]]) # 矩阵乘法2*3+3*3=15 product=tf.matmul(m1,m2) print(product) # Tensor("MatMul:0", shape=(1, 1), dtype=int32)

因为没有放到图和会话中，所以没有值

# 定义会话，会有一个默认的图，可以直接用 sess=tf.Session() # 调用sess的run来执行矩阵乘法op # run（product）触发了图的三个op result=sess.run(product) print(result) sess.close() # [[15]]

另一种启动会话的方式

with tf.Session() as sess:result = sess.run(product)print(result)# [[15]]

2-2 变量

import tensorflow as tfx=tf.Variable([1,2]) a=tf.constant([3,3]) # 增加一个减法op sub=tf.subtract(x,a) # 增加一个加法op add=tf.add(x,sub)# 给所有变量初始化 # 不初始化的话，会报错 init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)#运行才会初始化result1 = sess.run(sub)print(result1)result = sess.run(add)print(result)

赋值不能直接赋值，自加如下

# 自加，state=0 state=tf.Variable(0,name='counter')#可以起名字 #state+1 new_value=tf.add(state,1) # 赋值op state=state+1 update=tf.assign(state,new_value) # 变量初始化 init=tf.global_variables_initializer() with tf.Session() as sess:sess.run(init)#运行才会初始化result1 = sess.run(state)print(result1)for _ in range(5):sess.run(update)print(sess.run(state))

2-3 fetch and feed

Fetch

import tensorflow as tf # fetch input1=tf.constant(3.0) input2=tf.constant(2.0) input3=tf.constant(5.0)add=tf.add(input2,input3) # input1*(input2+input3) mul=tf.multiply(input1,add)with tf.Session() as sess:result=sess.run([mul,add])#这个叫fetch？可以同时运行多个print(result)# [21.0, 7.0]

feed

placeholder的变量是初始值待定的，feed以字典传入。

# feed # 创建占位符 input1=tf.placeholder(tf.float32) input2=tf.placeholder(tf.float32) output=tf.multiply(input1,input2) with tf.Session() as sess:# feed以字典形式传入print(sess.run(output,feed_dict={input1:[7.0],input2:[2.0]}))# [14.]

tensorflow的简单实用案例——最小二乘法

import tensorflow as tf import numpy as np # 使用numpy生成100个随机点 x_data=np.random.rand(100) y_data=x_data*0.1+0.2# 构造一个线性模型 b=tf.Variable(0.) k=tf.Variable(0.) y=k*x_data+b# 定义一个二次代价函数 loss=tf.reduce_mean(tf.square(y_data-y))#(y_data-y)的平方然后求了个均值 # 定义一个梯度下降法来进行训练的优化器 optimizer=tf.train.GradientDescentOptimizer(0.2)#学习率=0.2 # 定义一个最小化代价函数 train=optimizer.minimize(loss)init=tf.global_variables_initializer()with tf.Session() as sess:sess.run(init)for step in range(201):print(sess.run([train,k,b,loss]))# [None, 0.049395364, 0.09887357, 0.061785623] # …… # [None, 0.09999921, 0.20000039, 4.515499e-14] # [None, 0.09999923, 0.20000039, 4.2725822e-14]

总结

以上是生活随笔为你收集整理的tensorflow1、2会话、变量、feed、fetch、最小二乘法的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得生活随笔网站内容还不错，欢迎将生活随笔推荐给好友。