TensorFlow⼊门极简教程（⼀）
⼀、 TensorFlow 模型
TensorFlow的命名来源于本⾝的运⾏原理。tensor（张量）表⽰的是N维数组，Flow(流)意味着基于数据流图的计算。
Tensorflow是张量从图像的⼀端流动到另⼀端的计算（编程模型）。
⼆、模型的运⾏机制
TensorFlow的运⾏机制属于“定义”与“运⾏”相分离的。从操作来看分两层：模型构建和模型运⾏
模型构建所需概念如下：
三、实例
1. session的作⽤，以及使⽤例⼦
# -*- coding: utf-8 -*-
# !/usr/bin/env pythoncodeblocks怎么安装
# @Time    : 2019/5/1511:32
# @Author  : xhh
# @Desc    :  session的演⽰
# @File    : tensor_tf4.py
# @Software: PyCharm
import tensorflow as tf
hello = tf.constant('hello, tensorflow')  # 定义⼀个常量
sess = tf.Session()  # 建⽴⼀个session
print(sess.run(hello))  # 通过sess中的run函数来运⾏结果
sess.close()  # 关闭session
2. with session的使⽤
with session是我们以后会经常⽤的，他沿⽤了python中的with⽤法，当程序结束之后会⾃动关闭session，⼆不需要在⼿动的close 例：使⽤with session⽅法建⽴session，并在session中计算两个变量（3和4）的相加与相乘值
import tensorflow as tffocused
a = tf.constant(3)  # 定义常量3
b = tf.constant(4)  # 定义常量4
with tf.Session() as sess:  # 建⽴session
print("相加： %i"%sess.run(a+b))propertyinfo中其他信息:列不属于表
print("相乘： %i"%sess.run(a*b))
4. 保存/载⼊线性回归模型
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
plotdata = {"batchsize":[], "loss":[]}
def moving_average(a, w=10):
前端测试和后端测试的区别if len(a)<w:
return a[:]
return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
#  模拟数据
train_X = np.linspace(-1, 1, 100)
train_Y = 2*train_X + np.random.randn(*train_X.shape)*0.3  # 加⼊了噪声
# 图形展⽰
plt.plot(train_X,train_Y,'ro',label="original data") # label数据标签
plt.legend()
plt.show()
# 创建模型
# 占位符
X = tf.placeholder("float")
Y = tf.placeholder("float")
# 模型参数
W = tf.Variable(tf.random_normal([1]), name="weight")
b = tf.s([1]), name="bias")
# 前向结构
z = tf.multiply(X, W) +b
# 反向优化
cost = tf.reduce_mean(tf.square(Y-z))
learning_rate = 0.01
optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
# 初始化变量
init = tf.global_variables_initializer()
# 参数设置
training_epochs = 20
display_step = 2
saver = tf.train.Saver() # 模型⽣成，并保存
savedir = "log/"
# 启动session
with tf.Session() as sess:
sess.run(init)
for epoch in range(training_epochs):
for (x, y) in zip(train_X,train_Y):
sess.run(optimizer, feed_dict={X:x, Y:y})
# 显⽰训练中的详细信息
if epoch % display_step == 0:
loss = sess.run(cost, feed_dict={X:train_X, Y:train_Y})
print("Epoch:",epoch+1,"cost=", loss,"W=",sess.run(W),"b=",sess.run(b))
if not (loss=="NA"):
plotdata["batchsize"].append(epoch)
plotdata["loss"].append(loss)
print("finished!")
saver.save(sess, savedir+"linermodel.cpkt")
print("cost=",sess.run(cost, feed_dict={X:train_X, Y:train_Y}),"W=", sess.run(W),"b=",sess.run(b))        # 图形显⽰
plt.plot(train_X, train_Y, 'ro', label='Original data')
plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
极简python快速入门教程
plt.legend()
plt.show()
js期末作业特效
plotdata["avgloss"] = moving_average(plotdata["loss"])
plt.figure(1)
plt.subplot(211)
plt.plot(plotdata["batchsize"], plotdata["avgloss"], 'b--')
plt.xlabel('Minibatch number')
plt.ylabel('Loss')
plt.title('Minibatch run vs. Training loss')
plt.show()

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。