深度學習 Tensorflow線性結構實現示例

完整**github位址

建立資料

搭建模型

計算誤差

傳播誤差

訓練完整**

tensorflow 是非常重視結構的, 我們得建立好了神經網路的結構, 才能將數字放進去, 執行這個結構.

這個例子簡單的闡述了 tensorflow 當中如何用**來執行我們搭建的結構。

首先, 我們這次需要載入 tensorflow 和 numpy 兩個模組, 並且使用 numpy 來建立我們的資料.

import tensorflow as tf
import numpy as np
# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

接著, 我們用tf.variable來建立描述y的引數. 我們可以把y_data = x_data*0.1 + 0.3想象成y=weights * x + biases, 然後神經網路也就是學著把 weights 變成 0.1, biases 變成 0.3.

weights = tf.variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.variable(tf.zeros([1]))
y = weights*x_data + biases

tf.variable（）：建立，初始化，儲存和載入

variable（）建構函式需要變數的初始值，它可以是任何型別和形狀的tensor（張量）。初始值定義變數的型別和形狀。施工後，變數的型別和形狀是固定的。該值可以使用其中一種賦值方式進行更改。

接著就是計算y和y_data的誤差（差平方）:

loss = tf.reduce_mean(tf.square(y-y_data))

反向傳遞誤差的工作就教給optimizer了, 我們使用的誤差傳遞方法是梯度下降法:gradient descent讓後我們使用optimizer來進行引數的更新.

optimizer = tf.train.gradientdescentoptimizer(0.5)
train = optimizer.minimize(loss)

tf.train.gradientdescentoptimizer(learning_rate)：基於一定的學習率learning_rate，通過梯度下降法:gradient descent為最小化損失函式loss進行優化操作。

到目前為止, 我們只是建立了神經網路的結構, 還沒有使用這個結構. 在使用這個結構之前, 我們必須先初始化所有之前定義的variable, 所以這一步是很重要的!

# init = tf.initialize_all_variables() # tf 馬上就要廢棄這種寫法，在 2023年3月2號以後廢棄
init = tf.global_variables_initializer() # 替換成這樣就好

使用tf.global_variables_initializer()新增節點用於初始化所有的變數。在你構建完整個模型並在會話中載入模型後，執行這個節點。

接著,我們再建立會話session. 我們會在下一節中詳細講解 session. 我們用session來執行init初始化步驟. 並且, 用session來run每一次 training 的資料. 逐步提公升神經網路的**準確性.每執行20次梯度下降法優化損失函式，則列印一次weight和biases.

sess = tf.session()
sess.run(init) # very important
for step in range(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(weights), sess.run(biases)) 
sess.close()

tf.session()建立乙個會話，當上下文管理器退出時會話關閉和資源釋放自動完成。

# view more python tutorial on my youtube and youku channel!!!
# youtube video tutorial: 
# youku video tutorial: 
"""please note, this code is only for python 3+. if you are using python 2+, please modify the code accordingly.
"""from __future__ import print_function
import tensorflow as tf
import numpy as np
# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3
### create tensorflow structure start ###
weights = tf.variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.variable(tf.zeros([1]))
y = weights*x_data + biases
loss = tf.reduce_mean(tf.square(y-y_data))
optimizer = tf.train.gradientdescentoptimizer(0.5)
train = optimizer.minimize(loss)
### create tensorflow structure end ###
sess = tf.session()
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
init = tf.initialize_all_variables()
else:
init = tf.global_variables_initializer()
sess.run(init)
for step in range(201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(weights), sess.run(biases))
sess.close()

深度學習 Tensorflow線性結構實現示例

TensorFlow 深度學習筆記

TensorFlow深度學習框架

深度學習初識TensorFlow

深度學習 Tensorflow線性結構實現示例

TensorFlow 深度學習筆記

TensorFlow深度學習框架

深度學習 初識TensorFlow

相關推薦

深度學習初識TensorFlow