TensorFlow教程 2 TensorFlow基础构架
来源:互联网 发布:win10打开网络无反应 编辑:程序博客网 时间:2024/06/14 21:26
2 TensorFlow基础构架
- TensorFlow基础构架
- 1 处理结构
- 2 例子2
- 3 Session 会话控制
- 4 Variable 变量
- 5 Placeholder 传入值
- 6 激励函数 Activation Function
2.1 处理结构
Tensorflow的运算步骤是:
- 首先要定义神经网络的结构。
- 然后再把数据放入结构当中去运算和 training.
如图:
其中:Gradients是它的计算模块,上面的SGD是误差计算。
什么是TensorFlow?
TensorFlow是采用数据流图(data flow graphs)来计算, 所以首先我们得创建一个数据流流图, 然后再将我们的数据(数据以张量(tensor)的形式存在)放在数据流图中计算. 节点(Nodes)在图中表示数学操作,图中的线(edges)则表示在节点间相互联系的多维数据数组, 即张量(tensor). 训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是TensorFlow名字的由来.
张量(tensor):` 张量有多种. 零阶张量为 纯量或标量 (scalar) 也就是一个数值. 比如 [1]` 一阶张量为 向量 (vector), 比如 一维的 [1, 2, 3]` 二阶张量为 矩阵 (matrix), 比如 二维的 [[1, 2, 3],[4, 5, 6],[7, 8, 9]]` 以此类推, 还有 三阶 三维的 …
2.2 例子2
import tensorflow as tfimport numpy as np## 1.构造实验数据x_data = np.random.rand(100).astype(np.float32)y_data = x_data * 0.1 + 0.3 # y与x的关系:权重 偏置## 2.创建tensorflow的结构# 定义 权重变量(随机生成的)Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))# 定义 偏置biases = tf.Variable(tf.zeros([1]))# 定义 模型输出y = x_data * Weights +biases# 接着就是计算 y 和 y_data 的误差:loss = tf.reduce_mean(tf.square(y - y_data))# 定义优化器 optimizer:optimizer = tf.train.GradientDescentOptimizer(0.5) # 我们使用的误差传递方法是梯度下降法train = optimizer.minimize(loss)## 3.激活刚才定义的神经网络结构init = tf.global_variables_initializer() # 激活器 初始化所有之前定义的Variablesess = tf.Session() # 创建会话 Sessionsess.run(init) # 用 Session 来 run 激活前面的变量.## 4.训练模型for step in range(201): sess.run(train) if step % 20 == 0: print("第",step,"次训练,参数为 : ",sess.run(Weights),sess.run(biases))
2.3 Session 会话控制
Session 是 Tensorflow 为了控制,和输出文件的执行的语句.
运行 session.run() 可以获得你要得知的运算结果, 或者是你所要运算的部分.
例子:建立两个 matrix ,输出两个 matrix 矩阵相乘的结果。
import tensorflow as tf# create two matrixesmatrix1 = tf.constant([[3,3]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1,matrix2)
因为 product 不是直接计算的步骤, 所以我们会要使用 Session 来激活 product 并的到计算结果. 有两种形式使用会话控制 Session 。
# method 1sess = tf.Session()result = sess.run(product)print(result)sess.close()# [[12]]# method 2with tf.Session() as sess: result2 = sess.run(product) print(result2)# [[12]]
其中with的方法会帮助我们在必要的时候关闭session
2.4 Variable 变量
在 Tensorflow 中,用 ==定义语法: state = tf.Variable()== 定义了某字符串是变量,它才是变量,这一点是与 Python 所不同的。
import tensorflow as tf# 这里定义变量!赋初值,名字state = tf.Variable(0, name='counter')# 定义常量 oneone = tf.constant(1)# 定义加法步骤 (注: 此步并没有直接计算)new_value = tf.add(state, one)# 将 State 更新成 new_value,这一步也并没有真正计算update = tf.assign(state, new_value)
如果你在 Tensorflow 中设定了变量,那么初始化变量是最重要的!!所以定义了变量以后, 一定要定义 ==init = tf.initialize_all_variables()==
到这里变量还是没有被激活,需要再在 sess 里, sess.run(init) , 激活 init 这一步.
# 如果定义 Variable, 就一定要 initialize# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法init = tf.global_variables_initializer() # 替换成这样就好# 使用 Sessionwith tf.Session() as sess: sess.run(init) for _ in range(3): sess.run(update) print(sess.run(state))
注意:直接 print(state) 不起作用!!
一定要把 sess 的指针指向 state 再进行 print 才能得到想要的结果!
2.5 Placeholder 传入值
placeholder 是 Tensorflow 中的占位符,暂时储存变量.
Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据 sess.run(*, feed_dict={input: }).
示例:
import tensorflow as tf#在 Tensorflow 中需要定义 placeholder 的 type ,一般为 float32 形式input1 = tf.placeholder(tf.float32)input2 = tf.placeholder(tf.float32)# mul = multiply 是将input1和input2 做乘法运算,并输出为 output ouput = tf.multiply(input1, input2)
接下来, 传值的工作交给了 sess.run() , 需要传入的值放在了字典 feed_dict={} 中
并一一对应每一个 input.
placeholder 与 feed_dict={} 是绑定在一起出现的。
with tf.Session() as sess: print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))# [ 14.]
2.6 激励函数 Activation Function
激励函数运行时激活神经网络中某一部分神经元,将激活信息向后传入下一层的神经系统。激励函数的实质是非线性方程。
Tensorflow 的神经网络 里面处理较为复杂的问题时都会需要运用激励函数 activation function 。
- TensorFlow教程 2 TensorFlow基础构架
- tensorflow基础使用2
- tensorFlow 教程
- TensorFlow 教程
- TensorFlow 教程
- TensorFlow 教程
- TensorFlow 教程
- Tensorflow教程
- TensorFlow基础
- Tensorflow基础
- Tensorflow基础
- Tensorflow 基础
- Tensorflow基础
- tensorflow基础
- Tensorflow基础
- TensorFlow基础
- tensorflow基础
- Tensorflow基础
- spring框架学习(四)自动装配
- 在纪中的第七天,2017-7-13 总结:
- Java_基础—泛型概述和基本使用
- Java内存区域学习记录
- 2017-07-14:加速
- TensorFlow教程 2 TensorFlow基础构架
- ListView中EditText在横竖屏切换中保存数据
- jsp请求压缩导出txt文件
- Android自定义圆形进度条动画一
- Openstack Glance源码架构解析
- 各种优化方法总结比较(sgd/momentum/Nesterov/adagrad/adadelta)
- n a^o7 !——栈
- LruCache源码完全解析
- 百度编辑器UEditor常用设置函数大全