TensorFlow学习笔记【一】Helloworld,简单计算,线性回归
来源:互联网 发布:五毛钱特效软件 编辑:程序博客网 时间:2024/05/29 15:02
参考大佬的博客 : 地址
HelloWorld
首先自然是第一个HelloWord程序
import tensorflow as tfhello=tf.constant('HelloWorld!') sess=tf.Session()print sess.run(hello)
import tensorflow as tf #把tensorflow螚进来取名儿为tf
hello=tf.constant('HelloWorld!') #新建一个常量
sess=tf.Session() #新建一个Session,先不管它是啥
print sess.run(hello) #跑一跑~
结果如下:
【图好大……之后不放了】
简单计算/函数传值
定义a,b为一个常数值,sess.run()里面就可以进行一些运算
另外还可以定义一个函数把参数传递进去利用feed_dict( X,Y,..)
同时也要定义变量的类型,利用placeholder
import tensorflow as tfa=tf.constant(200)b=tf.constant(33)c=tf.placeholder(tf.int16)d=tf.placeholder(tf.int16)jiafa=tf.add(c,d)with tf.Session() as sess: print ("a+b=%d" % sess.run(a+b)) print ("a+b=%d" % sess.run(jiafa,feed_dict={c:200,d:33}))
输出:
a+b=233
a+b=233
线性回归问题
import tensorflow as tfimport numpyimport matplotlib.pyplot as pltrng = numpy.random# Parameterslearning_rate = 0.01training_epochs = 2000display_step = 50# Training Datatrain_X = numpy.asarray([3.3,4.4,5.5,6.71,6.93,4.168,9.779,6.182,7.59,2.167,7.042,10.791,5.313,7.997,5.654,9.27,3.1])train_Y = numpy.asarray([1.7,2.76,2.09,3.19,1.694,1.573,3.366,2.596,2.53,1.221,2.827,3.465,1.65,2.904,2.42,2.94,1.3])n_samples = train_X.shape[0]# tf Graph InputX = tf.placeholder("float")Y = tf.placeholder("float")# Create Model# Set model weightsW = tf.Variable(rng.randn(), name="weight")b = tf.Variable(rng.randn(), name="bias")# Construct a linear modelactivation = tf.add(tf.multiply(X, W), b)# Minimize the squared errorscost = tf.reduce_sum(tf.pow(activation-Y, 2))/(2*n_samples) #L2 lossoptimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost) #Gradient descent# Initializing the variablesinit = tf.initialize_all_variables()# Launch the graphwith tf.Session() as sess: sess.run(init) # Fit all training data for epoch in range(training_epochs): for (x, y) in zip(train_X, train_Y): sess.run(optimizer, feed_dict={X: x, Y: y}) #Display logs per epoch step if epoch % display_step == 0: print "Epoch:", '%04d' % (epoch+1), "cost=", \ "{:.9f}".format(sess.run(cost, feed_dict={X: train_X, Y:train_Y})), \ "W=", sess.run(W), "b=", sess.run(b) print "Optimization Finished!" print "cost=", sess.run(cost, feed_dict={X: train_X, Y: train_Y}), \ "W=", sess.run(W), "b=", sess.run(b) #Graphic display plt.plot(train_X, train_Y, 'ro', label='Original data') plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line') plt.legend() plt.show()
阅读全文
0 0
- TensorFlow学习笔记【一】Helloworld,简单计算,线性回归
- TensorFlow学习笔记--线性回归
- TensorFlow学习笔记3:线性回归
- Tensorflow学习笔记(一):初识TensorFlow——实现线性回归
- Tensorflow学习(一)--使用TensorFlow实现线性回归
- TensorFlow学习笔记(二):TensorFlow实现线性回归模型
- 机器学习练习一:简单线性回归
- 机器学习笔记:简单线性回归
- 机器学习笔记一【线性回归】
- 机器学习笔记一:线性回归
- 学习TensorFlow,线性回归模型
- Tensorflow学习:线性回归问题
- TensorFlow学习笔记(2)--构造线性回归模型
- 《机器学习》学习笔记(一):线性回归、逻辑回归
- 学习笔记一:线性回归和非线性回归
- 机器学习笔记(一) 线性回归和logistic回归
- 线性回归学习笔记
- 线性回归学习笔记
- 7/12 关于红包权限问题°
- PAT (Advanced Level) Practise 1072 Gas Station (30)
- Angular4项目部署到服务器上刷新404解决办法
- 实现自动出现滚动条
- FastDFS安装并 spring 集成(包含 Nginx)
- TensorFlow学习笔记【一】Helloworld,简单计算,线性回归
- json字符串转成 Map/List
- SASS学习
- 清除浮动、弹性盒模型
- radio单选按钮选中时当前页面实现跳转
- 迷宫-BFS
- js正则标志/g /i /m的用法,以及实例
- webservice
- WebBench测压