Tensorflow—基本用法

使用圖 (graph) 來表示計算任務(wù).

在被稱之為 會話 (Session) 的上下文 (context) 中執(zhí)行圖.

使用 tensor 表示數(shù)據(jù).

通過 變量 (Variable) 維護(hù)狀態(tài).

使用 feed 和 fetch 可以為任意的操作(arbitrary operation)賦值或者從其中獲取數(shù)據(jù)。

? TensorFlow 是一個編程系統(tǒng), 使用圖來表示計算任務(wù). 圖中的節(jié)點(diǎn)被稱之為 op (operation 的 縮寫)。一個 op 獲得 0 個或多個 Tensor。執(zhí)行計算, 產(chǎn)生 0 個或多個 Tensor。
? 每個 Tensor 是一個類型化的多維數(shù)組。例如,你可以將一小組圖像集表示為一個四維浮點(diǎn)數(shù) 數(shù)組, 這四個維度分別是 [batch, height, width, channels].
? 一個 TensorFlow 圖描述了計算的過程. 為了進(jìn)行計算, 圖必須在 會話 里被啟動.
? 會話 將圖的 op 分發(fā)到諸如 CPU 或 GPU 之類的 設(shè)備 上, 同時提供執(zhí)行 op 的方法.
? 這些方法執(zhí)行后, 將產(chǎn)生的 tensor 返回. 在 Python 語言中, 返回的 tensor 是numpy ndarray 對象。

Tensorflow—構(gòu)建圖

創(chuàng)建源op：源op不需要任何輸入。例如常量（constant）。源op的輸出被傳遞給其他op做 運(yùn)算。

在會話（session）中啟動圖

關(guān)閉session以釋放資源

Tensorflow—元素

Variables
變量Variables維護(hù)圖執(zhí)行過程中的狀態(tài)信息. 通常會將一個統(tǒng)計模型中的參數(shù)表示為一組變量. 例如, 你可以將一個神經(jīng)網(wǎng)絡(luò)的權(quán)重作為某個變量存儲在一個 tensor 中. 在訓(xùn)練過程中, 通過重復(fù)運(yùn)行訓(xùn) 練圖, 更新這個 tensor.
Fetch：
為了取回操作的輸出內(nèi)容，可以使用session對象的run()調(diào)用執(zhí)行圖時，傳入一些tensor，這些 tensor會幫助你取回結(jié)果。
Feed：
使用一個tensor值臨時替換一個操作的輸出結(jié)果。可以提供feed數(shù)據(jù)作為run()調(diào)用的參數(shù). feed 只在調(diào)用它的方法內(nèi)有效, 方法結(jié)束, feed 就會消失. 最常見的用例是將某些特殊的操作指定為 “feed” 操作, 標(biāo)記的方法是使用 tf.placeholder() 為這些操作創(chuàng)建占位符。
placeholder
placeholder是一個數(shù)據(jù)初始化的容器，它與變量最大的不同在于placeholder定義的是一個模板，這 樣我們就可以在session運(yùn)行階段，利用feed_dict的字典結(jié)構(gòu)給placeholder填充具體的內(nèi)容，而無需 每次都提前定義好變量的值，大大提高了代碼的利用率。

代碼實(shí)現(xiàn)：

import tensorflow as tf import numpy as np import matplotlib.pyplot as plt#使用numpy生成200個隨機(jī)點(diǎn) 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存放輸入數(shù)據(jù) x=tf.placeholder(tf.float32,[None,1]) y=tf.placeholder(tf.float32,[None,1])#定義神經(jīng)網(wǎng)絡(luò)中間層 Weights_L1=tf.Variable(tf.random_normal([1,10])) biases_L1=tf.Variable(tf.zeros([1,10])) #加入偏置項(xiàng) Wx_plus_b_L1=tf.matmul(x,Weights_L1)+biases_L1 L1=tf.nn.tanh(Wx_plus_b_L1) #加入激活函數(shù)#定義神經(jīng)網(wǎng)絡(luò)輸出層 Weights_L2=tf.Variable(tf.random_normal([10,1])) biases_L2=tf.Variable(tf.zeros([1,1])) #加入偏置項(xiàng) Wx_plus_b_L2=tf.matmul(L1,Weights_L2)+biases_L2 prediction=tf.nn.tanh(Wx_plus_b_L2) #加入激活函數(shù)#定義損失函數(shù)（均方差函數(shù)） loss=tf.reduce_mean(tf.square(y-prediction)) #定義反向傳播算法（使用梯度下降算法訓(xùn)練） train_step=tf.train.GradientDescentOptimizer(0.1).minimize(loss)with tf.Session() as sess:#變量初始化sess.run(tf.global_variables_initializer())#訓(xùn)練2000次for i in range(2000):sess.run(train_step,feed_dict={x:x_data,y:y_data})#獲得預(yù)測值prediction_value=sess.run(prediction,feed_dict={x:x_data})#畫圖plt.figure()plt.scatter(x_data,y_data) #散點(diǎn)是真實(shí)值plt.plot(x_data,prediction_value,'r-',lw=5) #曲線是預(yù)測值plt.show()

運(yùn)行結(jié)果：

總結(jié)

以上是生活随笔為你收集整理的Tensorflow入门神经网络代码框架的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。