02.Tensorflow基础用法

tensorboard   accuracy

1.什么是tensorflow？

　　Tensorflow是一个编程系统，使用图（graphs）来表示计算任务，图（graphs）中的节点称之为op（operation）

　　一个op获得0个或多个Tensor，执行计算，产生0个或多个Tensor。Tensor 看作是一个 n 维的数组或列表。图必须在会话（Session）里被启动。

　　

　　tensorflow使用图（graphs）来表示计算任务，在被称之为会话（Session）的上下文（context）中执行图

　　使用tensor表示数据，通过变量（Variable）维护状态，使用feed和fetch可以为任意的操作赋值或者从其中获取数据。

2.创建图和启动图

　　

# -*- coding: utf-8 -*-
"""
Created on Tue Mar 12 15:02:01 2019

@author: 32751
"""
import tensorflow as tf
m1 = tf.constant([[3,3]])#创建一常量op，两行一列
m2 = tf.constant([[2],[3]])#创建一常量op，一行两列
product = tf.matmul(m1,m2)#创建一个矩阵乘法op，m1，m2传入
print(product)

# 定义一个绘画，启动默认图
sess = tf.Session()#调用sess的run方法来执行矩阵乘法op
result = sess.run(product)#run（product）触发了途中三个op
print(result)
sess.close()

#第二种方式执行矩阵乘法
with tf.Session() as sess:
    result = sess.run(product)
    print(result)

运行结果如下：

　　

 

3.tensorflow变量加减

　　

# -*- coding: utf-8 -*-
"""
Created on Tue Mar 12 15:27:44 2019

@author: 32751
"""
import tensorflow as tf
x = tf.Variable([1,2])
a = tf.constant([3,3])
#增加一个减法op
sub = tf.subtract(x,a)
#增加一个加法op
add = tf.add(x,sub)
#定义全部的变量
init = tf.global_variables_initializer()

with tf.Session() as sess:
    #先对init运行一下,很有必要！
    sess.run(init)
    print(sess.run(sub))
    print(sess.run(add))
#创建一个变量，初始化为0，名字为counter
state = tf.Variable(0,name="counter")
#创建一个新op，使原变量加一
new_value = tf.add(state,1)
#将新的值再重新赋给原变量
update = tf.assign(state,new_value)
#初始化变量
init = tf.global_variables_initializer()
#启动图
with tf.Session() as sess:
    sess.run(init)
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

　　运行结果如下：

　　

4.feed赋值，fetch可以操纵多个变量

　　

# -*- coding: utf-8 -*-
"""
Created on Tue Mar 12 15:52:50 2019

@author: 32751
"""
import tensorflow as tf
#Fetch  同时运行多个op的意思
input1 = tf.constant(3.0)
input2 = tf.constant(2.0)
input3 = tf.constant(5.0)

add = tf.add(input2,input3)
#乘法
mul = tf.multiply(input1,add)

with tf.Session() as sess:
    result = sess.run([mul,add])
    print(result)

#Feed
    #创建占位符
input1 = tf.placeholder(tf.float32)
input2 = tf.placeholder(tf.float32)
output = tf.multiply(input1,input2)
#feed的数据以字典的形式传入
with tf.Session() as sess:
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

　　运行结果如下：

　　

5.构造线性模型，梯度下降优化

　　

# -*- coding: utf-8 -*-
"""
Created on Tue Mar 12 16:13:06 2019

@author: 32751
"""
import tensorflow as tf
import numpy as np
#使用numpy生成100个随机点(样本)
x_data = np.random.rand(100)  #确定的值
y_data = x_data*0.1 + 0.2   #确定的值
#构造一个线性模型（准备优化）
b = tf.Variable(0.)
k = tf.Variable(0.)
y = k*x_data + b  #k与b影响loss

#二次代价函数
loss = tf.reduce_mean(tf.square(y_data-y))
#定义一个梯度下降法来进行训练的优化器
optimizer = tf.train.GradientDescentOptimizer(0.2)
#最小化代价函数
train = optimizer.minimize(loss)

#初始化变量
init = tf.global_variables_initializer()

#绘画
with tf.Session() as sess:
    sess.run(init)
    for step in range(201):#迭代201次
        sess.run(train)
        if step%20 == 0:
            print(step,sess.run([k,b]))

　　运行结果如下：