1. Tensorflow的運行流程如下

• 加載數據及定義超參數
• 構建網絡
• 訓練模型
• 評估模型和進行預測

---

2. Tensorflow demo實現

demo如下：優化目標為：y=x2?0.5

# -*- coding: utf-8 -*- """ Created on Wed Apr 18 20:30:10 2018@author: spfhydiscription: tensorflow 的運行方式示例 """import tensorflow as tf import numpy as np#1. 生成輸入數據，學習方程為：y = x^2 - 0.5,構造滿足這個方程的一堆x,y，同時加入噪點 x_data = np.linspace(-1,1,30)[:,np.newaxis] #300*1的二維數組作為輸入noise = np.random.normal(0,0.05,x_data.shape)y_data = np.square(x_data) - 0.5 +noise#定義 x,y的占位符xs = tf.placeholder(tf.float32,[None,1]) ys = tf.placeholder(tf.float32,[None,1])def add_layer(inputs,in_size,out_size,activation_function =None):#構建權重：in_size*out_size大小的矩陣weights = tf.Variable(tf.random_normal([in_size,out_size]))#構建偏置：1*out_size的矩陣biases = tf.Variable(tf.zeros([1,out_size])+0.1)#矩陣相乘Wx_plus_b = tf.matmul(inputs,weights)+ biasesif activation_function is None:outputs = Wx_plus_belse:outputs = activation_function(Wx_plus_b)return outputs#構建隱匿層，假設隱匿層有20個神經元 h1 = add_layer(xs,1,20,activation_function=tf.nn.relu) #構建輸出層，假設輸出層和輸入層一樣，有1個神經元 prediction = add_layer(h1,20,1,activation_function=None)#構建損失函數：計算輸出層的預測值和真實值間的誤差，對二者差的方求和再取平均，得到損失 #函數，運用梯度下降法，以0.1的學習速率最小化損失：loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys -prediction),reduction_indices=[1])) #實現梯度下降算法的優化器 train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss)init = tf.global_variables_initializer() sess = tf.Session() sess.run(init)for i in range(1000):sess.run(train_step,feed_dict={xs:x_data,ys:y_data})if i%50 == 0:print(sess.run(loss,feed_dict={xs:x_data,ys:y_data}))

本文時學習《TensorFlow 技術解析與實踐》的學習筆記，代碼摘抄自該書；

參考文獻：李嘉璇《TensorFlow 技術解析與實踐》

原文：https://blog.csdn.net/u010177286/article/details/79998193

總結

以上是生活随笔為你收集整理的Tensorflow的基本运行方式--demo程序的全部內容，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。