使用tensorflow訓練模型，大概分為以下幾個步驟：
定義變數並初始化，宣告用到的佔位符
建立模型
訓練模型，首先需要定義乙個指標來評估這個模型的好壞。在本教程中使用交叉熵來表徵模型的效能好壞。
使用一些優化演算法（如梯度下降法）來最小化目標函式（交叉熵）
評估模型，判斷**值和真實值之間的差值。得到**的準確率
具體的注釋在程式中都能看到
程式如下：
import tensorflow as tf
# 匯入mnist資料集
import input_data
mnist = input_data.read_data_sets("mnist_data/", one_hot=true)
# x不是乙個特定的值，而是乙個佔位符，在tensorflow執行計算時輸入這個值，在sess.run()中更新此值
x = tf.placeholder("float", [none, 784])
# w和b是變數，並初始化為0，
# 因為我們要學習w和b的值，它們的初始值可以隨意設定
w = tf.variable(tf.zeros([784, 10]))
b = tf.variable(tf.zeros([10]))
# 建立模型，利用softmax函式生成模型
y = tf.nn.softmax(tf.matmul(x, w) + b)
# 訓練模型
# 我們首先需要定義乙個指標來評估這個模型是好的，在這裡使用交叉熵cross_entropy
# 為了計算交叉熵，我們首先定義乙個新的佔位符y_用於輸入正確值
y_ = tf.placeholder("float", [none, 10]) # 同變數x，
cross_entropy = -tf.reduce_mean(y_*tf.log(y))
# 使用梯度下降演算法以0.01的學習速率最小化交叉熵
train_step = tf.train.gradientdescentoptimizer(0.01).minimize(cross_entropy)
# 初始化我們建立的所有變數
init = tf.initialize_all_variables()
# 在乙個session中啟動我們的模型
# 讓模型迴圈訓練1000次
# 該迴圈的每個步驟中，我們都會隨機抓取訓練資料中的100個批處理資料點
sess = tf.session()
sess.run(init)
for i in range(1000):
batch_xs, batch_ys = mnist.train.next_batch(100)
sess.run(train_step, feed_dict=)
# 評估模型
# tf.argmax能給出某個tensor物件在某一維上的其資料最大值所在的索引值
# 用tf.equal來檢測我們的**是否和真實標籤匹配
correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
print(sess.run(accuracy, feed_dict=))
tensorflow 樣例程式
import tensorflow as tf from numpy.random import randomstate 定義訓練資料batch的大小 batch size 8 定義神經網路的引數 w1 tf.variable tf.random normal 2,3 stddev 1,seed 1...
Twisted python 入門例程
from twisted.internet import protocol,reactor class echo protocol.protocol def datareceived self,data self.transport.write data class echofactory prot...
3 1非線性回歸（TensorFlow例程）
非線性回歸的tensorflow例程 本例程程式設計思想 產生隨機數x data，構造y x 2 雜訊的分布，相當於已知輸入x data和輸出y data。利用輸入x data和輸出y data，利用梯度下降法，使樣本值和 值之間的損失函式 loss 最小，訓練出相應的模型 得到訓練後的模型，然後再...