TensorFlow学习——Getting Started With TensoFlow

最新推荐文章于 2024-12-31 11:15:59 发布

louishao

最新推荐文章于 2024-12-31 11:15:59 发布

阅读量1.5k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： tensorflow

本文链接：https://blog.csdn.net/louishao/article/details/65943102

tensorflow 专栏收录该内容

10 篇文章

订阅专栏

本博文是根据TensorFlow最新(r1.0)官方文档编写的，自己对上面的教程整理了一下，根据自己的理解写的。
本人看过TensrFlow(0.5)的官方文档。因此，我不会把全部教程都写上来，主要写和之前不同的，或者我没看过的。

https://www.tensorflow.org/get_started/get_started

使用TensorFlow Python API 编程入门

TensorFlow Core指南

一、导入TensorFlow

典型的导入TensorFlow程序的做法如下：

运行这个，可以得到Python下的TensorFlow中的所有类、方法和符号。大多数的文档默认你已经执行了这个。

二、计算图 (Computational Graph)

TensorFlow Core程序是由两个分离的部分组成的：

1、构建计算图。

2、运行计算图。

一个计算图是一系列TensorFlow操作的点(nodes)。我们构建一个简单的计算图。每一个点需要零个或者更多的张量(tensor)作为输入，并且产生一个张量作为输出。

2.1 常量(Constant)

点的一种形式是常数。像所有TensorFlow常数，它不需要输入，而它会从内部输出一个值。我们可以创建两个点的张量node1和node2，如下所示：

注意到，它输出的并不是3.0和4.0的值，而是对应的点张量，要通过开启会话，才能直接输出其值。这直接反映了TensorFlow的构建和计算是分离的。

2.2 会话

接下来的代码就是创建一个Session对象，调用它的run方法。只有这样，才能进行真正的运算。如下所示：

这时，我们就能得到了想象中的两个值。

我们可以通过联合多个张量(Tensors)，构建更为复杂的运算。例如，我们可以进行点张量的相加，如下所示：

2.3 占位符(Placeholder)

有些时候，我们不会直接使用常量进行计算，而需要事先创建一个量去表示运算。这时，在TensorFlow中可以采用placeholders的方法。它的本质就是一个占位符，先用placeholder表示进行运算的表达，程序后面在进行“喂值”(feed_dict)。如下所示：

由上面操作可见，a和b都没有固定的值，它们创建的目的只是为了表示相加这种运算。

如果程序后面需要用到这种运算，我们可以使用feed_dict进行喂值。

显然，不同的“喂值”，得出的结果可能也不同。

在基础上，我们可以进行更复杂的操作。我们可以对adder_node进行相乘操作。如下所示：

当然，要显示最终结果，需要进行回话和喂值。

2.4 变量(Variable)

机器学习中，我们构建模型，TensorFlow中模型有输入有输出，训练中参数会不断更新，这时，我们需要创建变量(Variable)。TensorFlow中，Variable可以将训练参数添加到图中，声明变量时，一般需要声明变量的类型（如：tf.float32）和赋初值。如下所示：

这样，我们就成功地创建了变量。从上面例子，我们可以看出placeholder和Variable的区别。当该量是通过训练更新的，我们可以通过Variable创建，当该量是作为模型的输入，我们可以通过placeholder创建。

当然，变量的启动不仅需要开启会话，还要在会话中进行初始化。

这样，变量才真正地被初始化。

2.5 基本模型的训练优化

初始化成功，我们给模型喂值，

其实，这里我们构建了一个很简单的线性模型。我们希望该模型能够进行训练优化，然而，我们没有设定训练集的期望值。因此，我们自定义期望值。

优化训练，我们采用最小二乘法。

代价函数为：cost(x) = sum(linear_model(x) - y)/number of trainset

我们得出了训练一次的代价值。通过观察训练数据（即x和y的取值），我们可以发现，当W取-1，b取1的时候，模型代价最小，为0。

显然，-1和1是我们观察出来的最优解。我们怎么通过优化方法，最小化代价函数呢？答案：使用TensorFlow自带的优化函数api，进行大量的迭代和参数的更新，最小化代价。

通过1000次的迭代训练，最终得到了理想的参数值。

三、整合

# -*- coding:utf-8 -*-
import tensorflow as tf
import numpy as np

# Model paramters
W = tf.Variable([.3],tf.float32)
b = tf.Variable([1.],tf.float32)
# Model io
x = tf.placeholder(tf.float32)
linear_model = W*x+b
y = tf.placeholder(tf.float32)
# cost function
cost = tf.reduce_sum(tf.square(linear_model-y))
# optimizer
optimizer = tf.train.GradientDescentOptimizer(0.01)
train = optimizer.minimize(cost)
# trianing data
x_train = [1.,2.,3.,4.]
y_train = [0.,-1.,-2.,-3.]
# training loop
init = tf.global_variables_initializer()
with tf.Session() as sess:
    sess.run(init)
    for i in range(1000):
        sess.run(train,{x:x_train,y:y_train})
        if i%100==0:
            cc = sess.run(cost,{x:x_train,y:y_train})
            print("training step(%s), cost: %s"%(i,cc))

    # Evaluate training accuracy
    curr_W,curr_b,currr_cost = sess.run([W,b,cost],{x:x_train,y:y_train})
    print("W: %s,b: %s,cost: %s"%(curr_W,curr_b,currr_cost))

实验结果：