TensorFlow瞎几把学Day1--一个简单的拟合例子http://www.tensorfly.cn/tfdoc/get_started/introduction.html

# -*- coding: utf-8 -*-
"""
Created on Wed Oct 10 08:30:10 2018

@author: jamie
"""

import tensorflow as tf#tensor是张量的意思
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data=np.float32(np.random.rand(2,100))#生成[0,1]之间的随机数维数为(2,100)
y_data=np.dot([0.100,0.200],x_data)+0.300#np.dot矩阵乘法

#构造一个线性模型
b=tf.Variable(tf.zeros([1]))#构造一个矩阵形式作为变量
W=tf.Variable(tf.random_uniform([1,2],-1.0,1.0))
y=tf.matmul(W,x_data)+b#matul:Multiplies matrix a by matrix producing a*b

#res=tf.random_uniform((4,4),-3,3)#4x4阶矩阵符合U[-3,3]
#with tf.Session() as sess:#tf一定要这样才能显示
#    print(sess.run(res))
    
#最小化方差
loss=tf.reduce_mean(tf.square(y-y_data))#tf.reduce求矩阵的平均值，tf.square求平方
optimizer=tf.train.GradientDescentOptimizer(0.5)#使用梯度下降算法，以0.5的学习效率（learning rate）
train=optimizer.minimize(loss)

#初始化变量
init=tf.initialize_all_variables()
#import tensorflow as tf
#
##创造variable.<initial-value>指定这个variable的type和shape
#w = tf.Variable(<initial-value>, name=<optional-name>)
#
## 接着就可以把这个variable当做tensor运用在graph中.
#y = tf.matmul(w, ...another variable or tensor...)
#
#z = tf.sigmoid(w + y)
#
## 通过`assign()`和相关方法给这个w赋值
#w.assign(w + 1.0)
#w.assign_add(1.0)
#
#---------------------
#作者：Panda_Peng 
#来源：CSDN 
#原文：https://blog.csdn.net/qq_34484472/article/details/75736036?utm_source=copy 
#版权声明：本文为博主原创文章，转载请附上博文链接！

#启动图（GRAPH)
sess=tf.Session()
sess.run(init)

#拟合平面
for step in range(0,201):
    sess.run(train)
    if step % 20==0:
        print(step,sess.run(W),sess.run(b))

 

 

以最典型的Tensorflow为例，一个简单的神经网络：

#机器学习入门是MNIST文字识别，学习编程的入门是打印‘HELLO WORLD’
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets('MNIST_data/',one_hot=True)#下载和安装MNIST数据集

#下载下来的数据集中被分成两部分：60000行训练数据集和10000行的测试数据集

import tensorflow as tf
x=tf.placeholder('float',[None,784])#是一个占位符第一维度表示第几张图，第二维度表示每张图的像素
W=tf.Variable(tf.zeros([784,10]))
b=tf.Variable(tf.zeros([10]))
y=tf.nn.softmax(tf.matmul(x,W)+b)#实现模型

##训练模型--建立模型
#首先先要定义一个指标来评估这个模型是好的。用‘交叉熵’
y_=tf.placeholder('float',[None,10])#在计算之前要添加新的占位符
cross_entropy=-tf.reduce_sum(y_*tf.log(y))#计算交叉熵，tf.reduce_sum是求和函数
train_step=tf.train.GradientDescentOptimizer(0.01).minimize(cross_entropy)
#以上已经设置好了模型
init=tf.initialize_all_variables()#初始化创建的变量
sess=tf.Session()
sess.run(init)#在session中启动模型
#之后开始训练模型，在此我们让模型循环1000次
for i in range(1000):
    batch_xs,batch_ys = mnist.train.next_batch(100)
    sess.run(train_step,feed_dict={x:batch_xs,y_:batch_ys})
#该循环的每个步骤中，会随机抓取训练数据中的100个批处理数据点。然后我们用这些数据点作为
#参数替换之前的占位符来运行train_step。
    
##评估模型
correct_prediction=tf.equal(tf.argmax(y,1),tf.argmax(y_,1))#tf.argmax给出向量中的最大值
#而都是0,1所以可以验证predict和原值是否匹配
accuracy=tf.reduce_mean(tf.cast(correct_prediction,'float'))
print(sess.run(accuracy,feed_dict={x:mnist.test.images,y_:mnist.test.labels}))

最终运行结果为

结果不是太好只有91%，因为模型并不好，有更加好的模型可以拟合