TensorFlow深度學習1

tensorflow基本概念總結：使用圖（graphs）來表示計算任務；在被稱之為會話（session）的上下文（context）中執行圖；使用tensor表示資料；通過變數（variable）維護狀態；使用feed和fetch可以為任意的操作賦值或者從其中獲取資料；

tensorflow是乙個程式設計系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之為op（operation），乙個op獲得0個或多個tensor，執行計算，產生0個或多個tensor。tensor 看作是乙個 n 維的陣列或列表。圖必須在會話（session）裡被啟動。

tensorflow 圖結構說明：

非線性回歸python樣例：

# coding: utf-8
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
#使用numpy生成200個隨機點
x_data = np.linspace(
-0.5
,0.5
,200)[
:,np.newaxis]
noise = np.random.normal(0,
0.02
,x_data.shape)
y_data = np.square(x_data)
+ noise
#定義兩個placeholder
x = tf.placeholder(tf.float32,
[none,1
])y = tf.placeholder(tf.float32,
[none,1
])#定義神經網路中間層
weights_l1 = tf.variable(tf.random_normal([1
,10])
)biases_l1 = tf.variable(tf.zeros([1
,10])
)wx_plus_b_l1 = tf.matmul(x,weights_l1)
+ biases_l1
l1 = tf.nn.tanh(wx_plus_b_l1)
#定義神經網路輸出層
weights_l2 = tf.variable(tf.random_normal([10
,1])
)biases_l2 = tf.variable(tf.zeros([1
,1])
)wx_plus_b_l2 = tf.matmul(l1,weights_l2)
+ biases_l2
prediction = tf.nn.tanh(wx_plus_b_l2)
#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction)
)#使用梯度下降法訓練
train_step = tf.train.gradientdescentoptimizer(
0.1)
.minimize(loss)
with tf.session(
)as sess:
#變數初始化
sess.run(tf.global_variables_initializer())
for _ in
range
(2000):
sess.run(train_step,feed_dict=
)#獲得**值
prediction_value = sess.run(prediction,feed_dict=
)#畫圖
plt.figure(
) plt.scatter(x_data,y_data)
plt.plot(x_data,prediction_value,
'r-'
,lw=5)
plt.show(
)

mnist資料集分類簡單樣例：

# coding: utf-8
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#載入資料集
mnist = input_data.read_data_sets(
"mnist_data"
,one_hot=
true
)#每個批次的大小
batch_size =
100#計算一共有多少個批次
n_batch = mnist.train.num_examples // batch_size
#定義兩個placeholder
x = tf.placeholder(tf.float32,
[none
,784])
y = tf.placeholder(tf.float32,
[none,10
])#建立乙個簡單的神經網路
w = tf.variable(tf.zeros(
[784,10
]))b = tf.variable(tf.zeros([10
]))prediction = tf.nn.softmax(tf.matmul(x,w)
+b)#二次代價函式
loss = tf.reduce_mean(tf.square(y-prediction)
)#使用梯度下降法
train_step = tf.train.gradientdescentoptimizer(
0.2)
.minimize(loss)
#初始化變數
init = tf.global_variables_initializer(
)#結果存放在乙個布林型列表中
correct_prediction = tf.equal(tf.argmax(y,1)
,tf.argmax(prediction,1)
)#argmax返回一維張量中最大的值所在的位置
#求準確率
accuracy = tf.reduce_mean(tf.cast(correct_prediction,tf.float32)
)with tf.session(
)as sess:
sess.run(init)
for epoch in
range(21
):for batch in
range
(n_batch)
: batch_xs,batch_ys = mnist.train.next_batch(batch_size)
sess.run(train_step,feed_dict=
) 
acc = sess.run(accuracy,feed_dict=
)print
("iter "
+str
(epoch)
+",testing accuracy "
+str
(acc)
)

TensorFlow深度學習1

深度學習筆記 1 安裝tensorflow

Tensorflow深度學習筆記1 基礎知識

TensorFlow 深度學習筆記

TensorFlow深度學習1

深度學習筆記 1 安裝tensorflow

Tensorflow深度學習筆記1 基礎知識

TensorFlow 深度學習筆記

相關推薦