一、TensorFlow算法的一般流程

1.導入/生成樣本數據集

2.轉換和歸一化數據：一般來講，輸入樣本數據集并不符合TensorFlow期望的形狀，所以需要轉換數據格式以滿足TensorFlow。

當數據集的維度或者類型不符合所用機器學習算法的要求時，需要在使用前進行數據轉換。大部分機器學習算法期待的輸入樣本數據是歸一化的數據。

TensorFlow具有內建函數來歸一化數據，如下：

data = tf.nn.batch_norm_with_global_normalization()

3.劃分樣本數據集為訓練樣本集、測試樣本集和驗證樣本集：一般要求機器學習算法的訓練樣本集和測
試樣本集是不同的數據集。另外，許多機器學習算法要求超參數調優，所以需要驗證樣本集來決定最優的超
參數。

4.設置機器學習參數（超參數）：機器學習經常要有一系列的常量參數。例如，迭代次數、學習率，或

者其他固定參數。約定俗成的習慣是一次性初始化所有的機器學習參數，讀者經常看到的形式如下：

?

5.初始化變量和占位符：在求解最優化過程中（最小化損失函數），TensorFlow通過占位符獲取數據，
并調整變量和權重/偏差。TensorFlow指定數據大小和數據類型初始化變量和占位符。使用方式如下：

6.定義模型結構：在獲取樣本數據集、初始化變量和占位符后，開始定義機器學習模型。TensorFlow通
過選擇操作、變量和占位符的值來構建計算圖。這里給出簡單的線性模型：

?

7.聲明損失函數：定義完模型后，需要聲明損失函數來評估輸出結果。損失函數能說明預測值與實際值
的差距：

8.初始化模型和訓練模型：TensorFlow創建計算圖實例，通過占位符賦值，維護變量的狀態信息。下面
是初始化計算圖的一種方式：

9.評估機器學習模型：一旦構建計算圖，并訓練機器學習模型后，需要尋找某種標準來評估機器學習模
型對新樣本數據集的效果。通過對訓練樣本集和測試樣本集的評估，可以確定機器學習模型是過擬合還是欠
擬合。

10.調優超參數：大部分情況下，機器學習者需要基于模型效果來回調整一些超參數。通過調整不同的
超參數來重復訓練模型，并用驗證樣本集來評估機器學習模型。

11.發布/預測結果：所有機器學習模型一旦訓練好，最后都用來預測新的、未知的數據。

二、聲明張量?

TensorFlow的主要數據結構是張量，它用張量來操作計算圖。在TensorFlow里可以把變量或者占位符聲
明為張量。首先，需要知道如何創建張量。

創建一個張量，聲明其為一個變量。TensorFlow在計算圖中可以創建多個圖結構。這里需要指出，在
TensorFlow中創建一個張量，并不會立即在計算圖中增加什么。只有把張量賦值給一個變量或者占位符，
TensorFlow才會把此張量增加到計算圖。

這里將介紹在TensorFlow中創建張量的主要方法：

1.固定張量

·創建指定維度的零張量。使用方式如下：

·創建指定維度的單位張量。使用方式如下：

·創建指定維度的常數填充的張量。使用方式如下：

·用已知常數張量創建一個張量。使用方式如下：

2.相似形狀的張量

·新建一個與給定的tensor類型大小一致的tensor，其所有元素為0或者1，使用方式如下：

3.序列張量

·TensorFlow可以創建指定間隔的張量。下面的函數的輸出跟range（）函數和numpy的linspace（）函數
的輸出相似：

·返回的張量是[0.0，0.5，1.0]序列。注意，上面的函數結果中最后一個值是stop值。另外一個rang（）
函數的使用方式如下：

·返回的張量是[6，9，12]。注意，這個函數結果不包括limit值。

4.隨機張量

·下面的tf.random_uniform（）函數生成均勻分布的隨機數

?

·tf.random_normal（）函數生成正態分布的隨機數：

·tf.truncated_normal（）函數生成帶有指定邊界的正態分布的隨機數，其正態分布的隨機數位于指定均
值（期望）到兩個標準差之間的區間：

·張量/數組的隨機化。tf.random_shuffle（）和tf，random_crop（）可以實現此功能：

·張量的隨機剪裁。tf.random_crop（）可以實現對張量指定大小的隨機剪裁。在本書的后面部分，會對
具有3通道顏色的圖像（height，width，3）進行隨機剪裁。為了固定剪裁結果的一個維度，需要在相應的維
度上賦其最大值：

?

?一旦創建好張量，就可以通過tf.Variable（）函數封裝張量來作為變量。

注：

創建張量并不一定得用TensorFlow內建函數，可以使用tf.convert_to_tensor（）函數將任意numpy數組轉
換為Python列表，或者將常量轉換為一個張量。注意，tf.convert_to_tensor（）函數也可以接受張量作為輸
入。

三、占位符和變量

使用TensorFlow計算圖的關鍵工具是占位符和變量，也請讀者務必理解兩者的區別，以及什么地方該用
誰。

使用數據的關鍵點之一是搞清楚它是占位符還是變量。變量是TensorFlow機器學習算法的參數，
TensorFlow維護（調整）這些變量的狀態來優化機器學習算法。占位符是TensorFlow對象，用于表示輸入輸
出數據的格式，允許傳入指定類型和形狀的數據，并依賴計算圖的計算結果，比如，期望的計算結果。

?

在TensorFlow中，tf.Variable（）函數創建變量，過程是輸入一個張量，返回一個變量。聲明變量后需要
初始化變量。下面是創建變量并初始化的例子：

占位符僅僅聲明數據位置，用于傳入數據到計算圖。占位符通過會話的feed_dict參數獲取數據。在計算
圖中使用占位符時，必須在其上執行至少一個操作。在TensorFlow中，初始化計算圖，聲明一個占位符x，
定義y為x的identity操作。identity操作返回占位符傳入的數據本身。結果圖將在下節展示，代碼如下：

?

四、矩陣的常用操作

In?[3]:

import tensorflow as tf import numpy as np In?[4]: sess = tf.Session() identity_matrix = tf.diag([1.0, 1.0, 1.0]) # 對角陣 print(sess.run(identity_matrix)) [[1. 0. 0.][0. 1. 0.][0. 0. 1.]] In?[5]: A = tf.truncated_normal([2, 3]) print(sess.run(A)) [[-0.5786329 1.4652022 0.5517408 ][-0.98360574 0.66149354 -0.8040531 ]] In?[6]: B = tf.fill([2, 3], 5.0) print(sess.run(B)) [[5. 5. 5.][5. 5. 5.]] In?[7]: C = tf.random_uniform([3, 2]) print(sess.run(C)) [[0.9898286 0.8746687 ][0.8308246 0.46435404][0.66066265 0.15331614]] In?[8]: # Create matrix from np array D = tf.convert_to_tensor(np.array([[1., 2., 3.], [-3., -7., -1.], [0., 5., -2.]])) print(sess.run(D)) [[ 1. 2. 3.][-3. -7. -1.][ 0. 5. -2.]] In?[9]: # Matrix addition/subtraction print(sess.run(A + B)) [[4.0406456 4.6771774 5.870362 ][5.1844687 4.695226 5.8468685]] In?[10]: # Matrix Multiplication print(sess.run(tf.matmul(B, identity_matrix))) [[5. 5. 5.][5. 5. 5.]] In?[11]: # Matrix Transpose 矩陣轉置 print(sess.run(tf.transpose(C))) # Again, new random variables [[0.2655393 0.23314857 0.6464461 ][0.5616721 0.39336514 0.9367839 ]] In?[12]: # Matrix Determinant 行列式 print(sess.run(tf.matrix_determinant(D))) -37.99999999999999 In?[13]: # Matrix Inverse 逆矩陣 print(sess.run(tf.matrix_inverse(D))) [[-0.5 -0.5 -0.5 ][ 0.15789474 0.05263158 0.21052632][ 0.39473684 0.13157895 0.02631579]] In?[14]: # Cholesky Decomposition 矩陣分解 print(sess.run(tf.cholesky(identity_matrix))) [[1. 0. 0.][0. 1. 0.][0. 0. 1.]] In?[15]: # Eigenvalues and Eigenvectors 矩陣特征值和特征向量 print(sess.run(tf.self_adjoint_eig(D))) (array([-10.65907521, -0.22750691, 2.88658212]), array([[ 0.21749542, 0.63250104, -0.74339638],[ 0.84526515, 0.2587998 , 0.46749277],[-0.4880805 , 0.73004459, 0.47834331]])) In?[16]: # div() vs truediv() vs floordiv() print(sess.run(tf.div(3, 4))) # 直接向下取整 0 In?[17]: print(sess.run(tf.truediv(3, 4))) # 小數表示 0.75 In?[18]: print(sess.run(tf.floordiv(3.0, 4.0))) # 向下取整 0.0 In?[19]: # Mod function print(sess.run(tf.mod(22.0, 5.0))) # 取余 2.0 In?[20]: # Trig functions 三角函數，sin(π) print(sess.run(tf.sin(3.1416))) -7.2399803e-06 In?[21]: print(sess.run(tf.cos(3.1416))) # 三角函數，cos(π) -1.0 In?[22]: # Tangemt print(sess.run(tf.div(tf.sin(3.1416 / 4.), tf.cos(3.1416 / 4.)))) 1.0000036

轉載于:https://www.cnblogs.com/xinmomoyan/p/10777776.html

總結

以上是生活随笔為你收集整理的TensorFlow机器学习实战指南之第一章的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。