tensorflow 學習筆記

2021-09-25 19:27:20 字數 2150 閱讀 7792

computational graph(用於計算的圖)是一系列排列在graph的節點上的tensorflow操作單元。讓我們來構建乙個簡單的computational graph。每個節點接受0個或多個tensor作為輸入,並且產生乙個tensor作為輸出。session(會話)

封裝了tensorflow執行時的控制項和狀態。

import tensorflow as tf

node1=tf.constant(3.0,tf.float32)

node2=tf.constant(4.0) #also a float32

常量型別是節點的一種型別。正如所有的tensorflow常量一樣,它是不接收輸入的,並且輸出乙個它內部儲存的值

。sess=tf.session()

print(sess.run(node1),sess.run(node2))

結果:3.0 4.0

#node3=tf.add(node1,node2)

node3=node1+node2

print(sess.run(node3))

結果;7.0

graph可以被引數化,並且通過placeholders(佔位符)來接受外部的輸入。

a=tf.placeholder(tf.float32)

b=tf.placeholder(tf.float32)

add_node=a+b

print(sess.run(add_node,))

print(sess.run(add_node,))

結果:

4.0

[ 4. 6.]

計算(a+b)*3

add_and_triple=add_node*3

print(sess.run(add_and_triple,))

結果:12.0

w=tf.variable([.3],tf.float32)

b=tf.variable([-.3],tf.float32)

x=tf.placeholder(tf.float32)

a=w*x+b

當呼叫tf.constant時,常量被初始化,它們的值永遠不會改變。相比之下,變數tf.variable在呼叫時不會被初始化。要初始化tensorflow程式中的所有變數,必須顯式呼叫特殊的初始化操作,如下所示:

init=tf.global_variables_initializer()

sess.run(init)

在這裡,直到我們呼叫sess.run之前,變數是未初始化的。(真正把0.3和-0.3賦給w和b)

損失函式

a - y建立乙個向量,其中每個元素是相應的樣本的誤差增量。我們稱之為平方。然後,我們使用tf.reduce_sum將所有平方誤差求和,以建立乙個單一的標量,用於提取出表示所有樣本的總誤差值:

y=tf.placeholder(tf.float32)

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

print(sess.run(loss,))

優化器optimizer

optimizer=tf.train.gradientdescentoptimizer(0.01)  #使用梯度下降法進行優化,學習率為0.01

train=optimizer.minimize(loss)   #優化目標;最小化loss(損失函式)

可以通過手動的將wb的值重新賦值為-11的方式來提高我們的演算法的效果。變數可以初始化後將資料提供給tf.variable物件,也可以使用像tf.assign這樣的操作來更改。

fixw=tf.assign(w,[-1.])

fixb=tf.assign(b,[1.])

sess.run([fixw,fixb])

print(sess.run(linear_sum,))

tensorflow學習筆記

tensorflow安裝可以直接通過命令列或者原始碼安裝,在此介紹tensorflow8命令列安裝如下 安裝tensorflow sudo pip install upgrade 另外,解除安裝tensorflow命令為 sudo pip uninstall tensorflow tensorflo...

Tensorflow學習筆記

1.如何在虛擬機器中安裝tensor flow 1 首先安裝pip pip install 2 pip install 2.學習tensorflow需要學習 python and linux 3.使用 tensorflow,你必須明白 tensorflow 1 使用圖 graph 來表示計算任務.2...

TensorFlow學習筆記

1 擬合直線 import the library import tensorflow as tf import numpy as np prepare train data train x np.linspace 1,1,100 temp1 train x,temp2 train x.shape,...