1 import tensorflow as tf
2 import numpy as np
3
4 """
5 使用tensorflow 实现简单的 线性回归 y = np.dot(x, W) + b
6 """
7
8 def f1():
9 """
10 先使用常量进行构建，展示大致的业务逻辑
11 :return:
12 """
13 # 一、建图
14 with tf.Graph().as_default():
15 # 1、创建模型输入
16 input_x = tf.constant(
17 value=[[1,2,3],
18 [2,3,4],
19 [12,34,23],
20 [2,3,9]], dtype=tf.float32, shape=[4, 3], name='input_x'
21 )
22 # 2、创建变量
23 weights = tf.constant(
24 value=[[-5],
25 [3],
26 [2]], dtype=tf.float32, shape=[3, 1], name='weights'
27 )
28 bias = tf.constant(
29 value=[2], dtype=tf.float32, shape=[1], name='bias'
30 )
31
32 # 3、构建正向传播过程
33 y_hat = tf.matmul(input_x, weights) + bias
34 print(y_hat)
35
36 # 二、构建会话
37 with tf.Session() as sess:
38 # 执行模型图
39 y_hat_ = sess.run(y_hat)
40 print(y_hat_)
41
42 #将常量用variable换为变量
43 def f2():
44 """
45 变量使用 tf.Variable()来构建
46 :return:
47 """
48 # 一、建图
49 with tf.Graph().as_default():
50 # 1、创建模型输入
51 input_x = tf.constant(
52 value=[[1,2,3],
53 [2,3,4],
54 [12,34,23],
55 [2,3,9]], dtype=tf.float32, shape=[4, 3], name='input_x'
56 )
57 """
58 tf.Variable(self,
59 initial_value=None, # 给定初始化的值，可以是python的基本数据类型，也可以是tf的tensor对象
60 trainable=True, # bool 该变量是否参与模型训练。也就是该变量是否会执行梯度下降
61 collections=None,
62 validate_shape=True,
63 caching_device=None,
64 name=None, # tensorflow底层的名字。
65 variable_def=None,
66 dtype=None, # 数据类型
67 expected_shape=None,
68 import_scope=None,
69 constraint=None):
70 """
71 # 2、创建变量
72 weights = tf.Variable(
73 initial_value=[[-5],
74 [3],
75 [2]], dtype=tf.float32, name='weights'
76 )
77 print(weights)
78 bias_value = tf.constant(
79 value=[2], dtype=tf.float32, shape=[1], name='bias'
80 )
81 bias = tf.Variable(initial_value=bias_value, dtype=tf.float32, name='bias')
82
83 # 3、构建正向传播过程
84 y_hat = tf.matmul(input_x, weights) + bias
85 print(y_hat)
86
87 # 二、构建会话
88 with tf.Session() as sess:
89 # fixme 执行变量初始化赋值
90 sess.run(tf.global_variables_initializer())
91 # 执行模型图
92 y_hat_ = sess.run(y_hat)
93 print(y_hat_)
94
95
96 def f3():
97 """
98 占位符的使用
99 :return:
100 """
101 # 一、建图
102 with tf.Graph().as_default():
103 # 1、创建模型输入(占位符)，
104 # todo 可以使用 shape=[None, 3]， None使用类似于numpy。
#tf.placeholder与tf.placeholder_with_default均为占位符，不同的是后者可以设置默认的输入数据，调用时可以不传入数据。而前者无默认的数据，使用时必须传入数据
105 input_x = tf.placeholder(dtype=tf.float32, shape=[None, 3], name='input_x')
106 input_c = tf.placeholder_with_default(
107 input=1.0, shape=[], name='input_c'
108 )
109 # 2、创建变量
110 weights = tf.Variable(
111 initial_value=[[-5],
112 [3],
113 [2]], dtype=tf.float32, name='weights'
114 )
115 print(weights)
116 bias_value = tf.constant(
117 value=[2], dtype=tf.float32, shape=[1], name='bias'
118 )
119 bias = tf.Variable(initial_value=bias_value, dtype=tf.float32, name='bias')
120
121 # 3、构建正向传播过程
122 y_hat = tf.matmul(input_x, weights) + bias
123 y_hat1 = y_hat + input_c
124 print(y_hat)
125
126 # 二、构建会话
127 with tf.Session() as sess:
128 # fixme 执行变量初始化赋值
129 sess.run(tf.global_variables_initializer())
130 # 加载训练数据
131 data1 = [[1,2,3],
132 [2,3,4],
133 [12,34,23],
134 [2,3,9]]
135 # 执行模型图
136 y_hat_, y_hat1_ = sess.run(
137 fetches=[y_hat, y_hat1], feed_dict={input_x: data1})
#y_hat与y_hat1分别是那两种构建占位符的方式下的正向传播过程，feed_dict是传入data1数据，通过占位符input_x，传给y_hat或者y_hat1
138 print(y_hat_, y_hat1_)
139
140 data2 = [[1, 2, 3],
141 [2, 3, 4],
142 [2, 3, 9]]
143 y_hat_, y_hat1_ = sess.run(
144 fetches=[y_hat, y_hat1], feed_dict={input_x: data2, input_c: 10.0})
145 print(y_hat_, y_hat1_)
146
147
148 if __name__ == '__main__':
149 f3()
浙公网安备 33010602011771号