TensorFlow入门（基础语法，小程序）

本文参考自：莫烦Python - Tensorflow 教程系列

TensorFlow入门：

1. 使用图 (graph) 来表示计算任务.
2. 在被称之为 会话 (Session) 的上下文 (context) 中执行图.
3. 使用 张量(tensor) 表示数据.
4. 通过 变量 (Variable) 维护状态.
5. 使用 feed 和 fetch 可以为任意的操作(arbitrary operation) 赋值或者从其中获取数据.

一，基本语法：

语法例子1：

# 创建2个矩阵，前者1行2列，后者2行1列，然后矩阵相乘：matrix1 = tf.constant([[3,3]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1,matrix2)# 上边的操作是定义图，然后用会话Session去计算：with tf.Session() as sess:    result2 = sess.run(product)    print(result2)

语法例子2：

# 定义一个tensorflow的变量：state = tf.Variable(0, name='counter')# 定义常量one = 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_valueupdate = tf.assign(state, new_value)# 变量Variable需要初始化并激活，并且打印的话只能通过sess.run()：init = tf.global_variables_initializer()# 使用 Session 计算with tf.Session() as sess:    sess.run(init)    for _ in range(3):        sess.run(update)        print(sess.run(state))

语法例子3：

# 如果要传入值，用tensorflow的占位符，暂时存储变量，# 以这种形式feed数据：sess.run(***, feed_dict={input: **})#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)with tf.Session() as sess:    print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))# 输出[ 14.]

二，小程序：

小程序例子1：

import tensorflow as tfimport numpy as np# 例子1，拟合y_data的函数，权重和偏置分别趋近0.1和0.3# np.random.rand(100)生成100个[0,1]之间的随机数，构成1维数组# np.random.rand(2,3)生成2行3列的二维数组x_data = np.random.rand(100).astype(np.float32)y_data = x_data * 0.1 + 0.3# 权重偏置这些不断更新的值用tf变量存储，# tf.random_uniform()的参数意义：(shape,min,max)# 偏置初始化为0weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))biases = tf.Variable(tf.zeros([1]))y = weights * x_data + biases# 损失函数。tf.reduce_mean()是取均值。square是平方。loss = tf.reduce_mean(tf.square(y - y_data))# 用梯度优化方法最小化损失函数。optimizer = tf.train.GradientDescentOptimizer(0.5)train = optimizer.minimize(loss)# tf变量是需要初始化的，而且后边计算时还需要sess.run(init)一下init = tf.global_variables_initializer()# Session进行计算with tf.Session() as sess:    sess.run(init)    for step in range(201):        sess.run(train)        if step % 20 == 0:            print (step, sess.run(weights), sess.run(biases))

小程序例子2：

# 例子2，构建一个神经网络# 添加神经层的函数，它有四个参数：输入值、输入的形状、输出的形状和激励函数，# Wx_plus_b是未激活的值，函数返回激活值。def add_layer(inputs, in_size, out_size,  activation_function=None):    # tf.random_normal()参数为shape，还可以指定均值和标准差    Weights = tf.Variable(tf.random_normal([in_size, out_size]))    biases = tf.Variable(tf.zeros([1, out_size]) + 0.1)    Wx_plus_b = tf.matmul(inputs, Weights) + biases    if activation_function is None:        outputs = Wx_plus_b    else:        outputs = activation_function(Wx_plus_b)return outputs# 构建训练数据# np.linspace()在-1和1之间等差生成300个数字# noise是正态分布的噪声，前两个参数是正态分布的参数，然后是sizex_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis]noise = np.random.normal(0, 0.05,  x_data.shape).astype(np.float32)y_data = np.square(x_data) - 0.5 + noise# 利用占位符定义我们所需的神经网络的输入。# 第二个参数为shape：None代表行数不定，1是列数。# 这里的行数就是样本数，列数是每个样本的特征数。xs = tf.placeholder(tf.float32, [None, 1])ys = tf.placeholder(tf.float32, [None, 1])# 输入层1个神经元（因为只有一个特征），隐藏层10个，输出层1个。# 调用函数定义隐藏层和输出层，输入size是上一层的神经元个数（全连接），输出size是本层个数。l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu)prediction = add_layer(l1, 10, 1, activation_function=None)# 计算预测值prediction和真实值的误差，对二者差的平方求和再取平均作为损失函数。# reduction_indices表示最后数据的压缩维度，好像一般不用这个参数（即降到0维，一个标量）。loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1]))train_step =  tf.train.GradientDescentOptimizer(0.1).minimize(loss)# 初始化变量，激活，执行运算init = tf.global_variables_initializer() with tf.Session() as sess:    sess.run(init)    for i in range(1000):        # training        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})