demo如下：優化目標為：y=x2−0.5
# -*- coding: utf-8 -*-
"""created on wed apr 18 20:30:10 2018
@author: spfhy
discription: tensorflow 的執行方式示例
"""import tensorflow as tf
import numpy as np
#1. 生成輸入資料，學習方程為：y = x^2 - 0.5,構造滿足這個方程的一堆x,y，同時加入噪點
x_data = np.linspace(-1,1,30)[:,np.newaxis] #300*1的二維陣列作為輸入
noise = np.random.normal(0,0.05,x_data.shape)
y_data = np.square(x_data) - 0.5 +noise
#定義 x,y的佔位符
xs = tf.placeholder(tf.float32,[none,1])
ys = tf.placeholder(tf.float32,[none,1])
def add_layer(inputs,in_size,out_size,activation_function =none):
#構建權重：in_size*out_size大小的矩陣
weights = tf.variable(tf.random_normal([in_size,out_size]))
#構建偏置：1*out_size的矩陣
biases = tf.variable(tf.zeros([1,out_size])+0.1)
#矩陣相乘
wx_plus_b = tf.matmul(inputs,weights)+ biases
if activation_function is none:
outputs = wx_plus_b
else:
outputs = activation_function(wx_plus_b)
return outputs
#構建隱匿層，假設隱匿層有20個神經元
h1 = add_layer(xs,1,20,activation_function=tf.nn.relu)
#構建輸出層，假設輸出層和輸入層一樣，有1個神經元
prediction = add_layer(h1,20,1,activation_function=none)
#構建損失函式：計算輸出層的**值和真實值間的誤差，對二者差的方求和再取平均，得到損失
#函式，運用梯度下降法，以0.1的學習速率最小化損失：
loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),
reduction_indices=[1]))
#實現梯度下降演算法的優化器
train_step = tf.train.gradientdescentoptimizer(0.1).minimize(loss)
init = tf.global_variables_initializer()
sess = tf.session()
sess.run(init)
for i in range(1000):
sess.run(train_step,feed_dict=)
if i%50 == 0:
print(sess.run(loss,feed_dict=))
原文：
TensorFlow基本用法
author youngkl coding utf 8 import tensorflow as tf 1 2的矩陣 mat1 tf.constant 3.3.2 1的矩陣 mat2 tf.constant 2.3.ans tf.matmul mat1,mat2 此時ans無法直接輸出 啟動預設圖 ...
Tensorflow基本使用
使用 tensorflow,你必須明白 tensorflow tensorflow 是乙個程式設計系統,使用圖來表示計算任務.圖中的節點被稱之為 op operation 的縮寫 乙個 op 獲得 0 個或多個tensor,執行計算,產生 0 個或多個tensor.每個 tensor 是乙個型別化的...
Tensorflow基本操作
tensorflow常量變數定義 import cv2 import tensorflow as tf data1 tf.constant 2,dtype tf.int32 data2 tf.variable 10,name var sess tf.session print sess.run da...