Tensorflow 处理结构

Tensorflow 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.

　　tensorflow的中文翻译就是向量在这个结构里面飞.因为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

Tensorflow 是非常重视结构的, 我们得建立好了神经网络的结构, 才能将数字放进去, 运行这个结构.

例子

下面这个例子将简单的阐述 tensorflow 当中如何用代码来运行我们搭建的结构.
　预测一个线性的直线：y = 0.５x+0.７．　想要显示每次训练之后输出的权重和偏执参数是多少
　实例代码：

#-*- coding:utf-8 -*-import tensorflow as tfimport numpy as np#create some　datex_data = np.random.rand(100).astype(np.float32) y_data = x_data*0.５+0.７#创建tensorflow结构开始Weights = tf.Variable(tf.random_uniform([1],-1.0,1.0))#一维结构，随机数列的范围　－１～１biases = tf.Variable(tf.zeros([1]))#初始在为０#通过学习，Ｗ，Ｂ将不段的提升到我们接近我们的y_datay = Weights*x_data+biases#计算 y 和 y_data 的误差:loss = tf.reduce_mean(tf.square(y-y_data))#建立优化器减少误差 提升参数的准确度optimizer= tf.train.GradientDescentOptimizer(0.1)#误差传递方法是梯度下降法: Gradient Descent train = optimizer.minimize(loss) #使用 optimizer 来进行参数的更新#初始化变量init = tf.global_variables_initializer()#创建tensorflow结构结束#定义会话sess = tf.Session()sess.run(init) #激活神经网络　很重要#训练for step in range(501):    #用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性.    sess.run(train)    if step%20 == 0:        print (step,sess.run(Weights),sess.run(biases))

输出

(0, array([-0.70330155], dtype=float32), array([ 0.28489518], dtype=float32))
(20, array([-0.06656488], dtype=float32), array([ 1.01636899], dtype=float32))
(40, array([ 0.06568325], dtype=float32), array([ 0.94458628], dtype=float32))
(60, array([ 0.16638607], dtype=float32), array([ 0.88788038], dtype=float32))
(80, array([ 0.24373767], dtype=float32), array([ 0.84431857], dtype=float32))
(100, array([ 0.30315456], dtype=float32), array([ 0.81085688], dtype=float32))
(120, array([ 0.34879521], dtype=float32), array([ 0.78515363], dtype=float32))
(140, array([ 0.38385361], dtype=float32), array([ 0.76540983], dtype=float32))
(160, array([ 0.41078332], dtype=float32), array([ 0.7502439], dtype=float32))
(180, array([ 0.43146914], dtype=float32), array([ 0.73859429], dtype=float32))
(200, array([ 0.44735864], dtype=float32), array([ 0.72964591], dtype=float32))
(220, array([ 0.45956409], dtype=float32), array([ 0.72277218], dtype=float32))
(240, array([ 0.46893957], dtype=float32), array([ 0.71749222], dtype=float32))
(260, array([ 0.47614124], dtype=float32), array([ 0.71343642], dtype=float32))
(280, array([ 0.48167321], dtype=float32), array([ 0.71032107], dtype=float32))
(300, array([ 0.48592243], dtype=float32), array([ 0.707928], dtype=float32))
(320, array([ 0.48918641], dtype=float32), array([ 0.70608985], dtype=float32))
(340, array([ 0.49169371], dtype=float32), array([ 0.70467776], dtype=float32))
(360, array([ 0.49361959], dtype=float32), array([ 0.70359319], dtype=float32))
(380, array([ 0.49509889], dtype=float32), array([ 0.7027601], dtype=float32))
(400, array([ 0.49623531], dtype=float32), array([ 0.70212013], dtype=float32))
(420, array([ 0.49710816], dtype=float32), array([ 0.70162857], dtype=float32))
(440, array([ 0.49777865], dtype=float32), array([ 0.70125097], dtype=float32))
(460, array([ 0.4982937], dtype=float32), array([ 0.70096087], dtype=float32))
(480, array([ 0.49868938], dtype=float32), array([ 0.70073807], dtype=float32))
(500, array([ 0.49899328], dtype=float32), array([ 0.70056695], dtype=float32))

在最后权重和偏置已经非常接近0.5和0.7了，训练的次数越多越准确．