tensorflow 學習筆記

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,))

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w和b的值重新賦值為-1和1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學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

tensorflow 學習筆記

tensorflow學習筆記

Tensorflow學習筆記

TensorFlow學習筆記

相關推薦