《Tensorflow 实战 Google 深度学习框架》 读书笔记

这是第二遍、第三遍，其实之前也没怎么读懂，在 python 还不怎么熟悉，Tensorflow 还比较晦涩情况下写这篇笔记。Internet 上资料比较少，有种俨然用着大头电脑 ，拍着机械键盘的赶脚！但是，没关系，历史的车轮滚滚向前， 很多时候，很多事情是有很多相似性的，必须找出上一轮相似事情，找到核心，再来解决问题，每一轮都可以解决一点点。这算不算愚公移山呢？其实也不重要啦！有一点很重要的是，每天都狠有目标感，每天都对标自己有多少目标已经完成，有多少目标没有完成这件事情不是一直都很重要的吗？

 

今天的博客，写几个函数。

import tensorflow as tf

tf.compat.v1.placeholder()
tf.compat.v1.random.truncated_normal()
tf.nn.softmax()
tf.matmul()
tf.reduce_mean()
tf.reduce_sum()
tf.math.log()
tf.compat.v1.train.AdamOptimizer().minimize()
tf.argmax()
tf.equal(a,b)
tf.cast(a, tf.float32)
tf.compat.v1.Session()
tf.compat.v1.global_variable_initializer()
tf.nn.relu() 

 

1.tf.compat.v1.placeholder()

 自己理解，定义变量的函数。变量是算法，以公式的模式展现，在 sess.run() 的时候，真正实例化。

 #（1）公式制作；
a=tf.compat.v1.placeholder(tf.float32, shape=[3,4]);
b=tf.compat.v1.placeholder(tf.float32, shape=[4,1]);
m = tf.matmul( a,b )

#（2）实例化 exemplify
a1=[]; b1=[]
feed_in = {a:a1, b:b1}
print( sess.run( m, feed_fict=feed_in )  )

[[14.]
 [26.]]

 

2.tf.compat.v1.random.truncated_normal()

解释：Outputs random values from a truncated normal distribution.

注意，（4）tf.matmul() 放入的是实例化的向量。

import tensorflow as tf

a = tf.Variable(tf.compat.v1.random.truncated_normal([2, 2], stddev=0.1))
a2= tf.Variable(tf.compat.v1.random.truncated_normal([2, 2], stddev=0.1))
a1=[[3,4], [5,6]]

feed_in = {a:a1, a2:a1}
a3 = sess.run( a, feed_dict={a: a1} )
a4 = sess.run( a2, feed_dict={a2: a1} )

b = tf.matmul( a3, a4 )
print( sess.run( b ) )

[[29. 36.]
 [45. 56.]]

 

3.tf.nn.softmax()

# tf.nn.softmax()

import tensorflow as tf

x = tf.constant([[3.0, 1.0, -3.0, ]])
tf.compat.v1.global_variables_initializer()  # 初始化所有变量
    
with tf.compat.v1.Session() as sess:
    print( sess.run( tf.nn.softmax(x) ) )

 [[0.87887824 0.11894324 0.00217852]]

 

4.tf.reduce_mean()

# tf.reduce_mean() 正常的求均值的函数

import tensorflow as tf

x = tf.constant([[3.0, 2.0, -3.0]])
x1 = tf.compat.v1.placeholder( tf.float32 )  # feed 方式没有成功

y = tf.reduce_mean( x, axis=1 )
a1 = tf.constant([[2,3,4,5,6]])

with tf.compat.v1.Session() as sess:
    print( sess.run(y) )

 [0.6666667]

 

5.tf.reduce_sum()

# tf.reduce_sum() 加和函数

import tensorflow as tf

x = tf.constant([[3,2,1], [2,5,4]])
y=tf.reduce_sum( x, axis=0 )
y1=tf.reduce_sum( x, axis=1 )

with tf.compat.v1.Session() as sess:
    print("Leave a line: ", sess.run( y ))
    print("Leave a col: ", sess.run( y1 ))

Leave a line:  [5 7 5]
Leave a col:  [ 6 11]

 

6.tf.math.log()

# tf.math.log()

import tensorflow as tf

x = tf.constant([[1, 2.718, 10]])
y = tf.math.log( x )

with tf.compat.v1.Session() as sess:
    print( sess.run( y ) )

[[0.        0.9998963 2.3025851]]

 

7.tf.compat.v1.train.AdamOptimizer()

8.tf.argmax()

# tf.argmax()

import tensorflow as tf

x = tf.constant([[1,4,3]])
y = tf.argmax(x, axis=1)  #  返回 index

with tf.compat.v1.Session() as sess:
    print( sess.run( y ) )

[1]

9.tf.equal()

 

# tf.equal()

import tensorflow as tf 

x1 = tf.constant([[0,1,1]])
x2 = tf.constant([[1,1,1]])
y = tf.equal(x1, x2)

with tf.compat.v1.Session() as sess:
    print( sess.run( y ) )

[[False  True  True]]

 

10.tf.cast()

# tf.cast()

import tensorflow as tf 

x = 1
y1 = tf.cast(x, tf.int32)
y2 = tf.cast(x, tf.float32)

with tf.compat.v1.Session() as sess:
    print(sess.run(y1))
    print(sess.run(y2))

1
1.0

 

11.tf.compat.v1.Session()

import tensorflow as tf

w1 = tf.Variable( tf.compat.v1.random.truncated_normal( [2, 3], stddev=1, seed=1 ) )
w2 = tf.Variable( tf.compat.v1.random.truncated_normal( [3, 1], stddev=1, seed=1 ) )

x = tf.constant( [[0.7, 0.9]] )

a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

sess = tf.compat.v1.Session()
sess.run( w1.initializer )
sess.run( w2.initializer )

print( sess.run(y) )
sess.close()

[[2.883545]]

 

12.tf.compat.v1.global_variable_initializer()

这个函数出现在 tf.compat.v1.Session() 中，通常有全局变量的时候，要通知 TensorFlosw 的语句，可认为是一种定义语句，效果是，不使用的话，部分变量报错。

 

13.tf.nn.relu()

 

欢迎关注 shoelesscai.com，我们尽所能提供信息。