TensorFlow入门：

使用图 (graph) 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 张量(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(arbitrary operation) 赋值或者从其中获取数据.

一，基本语法：

语法例子1：

# 创建2个矩阵，前者1行2列，后者2行1列，然后矩阵相乘： matrix1 = tf.constant([[3,3]]) matrix2 = tf.constant([[2], [2]]) product = tf.matmul(matrix1,matrix2) # 上边的操作是定义图，然后用会话Session去计算： with tf.Session() as sess: result2 = sess.run(product) print(result2) 123456789

语法例子2：

# 定义一个tensorflow的变量： state = tf.Variable(0, name='counter') # 定义常量 one = tf.constant(1) # 定义加法步骤 (注: 此步并没有直接计算) new_value = tf.add(state, one) # 将 State 更新成 new_value update = tf.assign(state, new_value) # 变量Variable需要初始化并激活，并且打印的话只能通过sess.run()： init = tf.global_variables_initializer() # 使用 Session 计算 with tf.Session() as sess: sess.run(init) for _ in range(3): sess.run(update) print(sess.run(state)) 12345678910111213141516

语法例子3：

# 如果要传入值，用tensorflow的占位符，暂时存储变量， # 以这种形式feed数据：sess.run(***, feed_dict={input: **}) #在 Tensorflow 中需要定义 placeholder 的 type ，一般为 float32 形式 input1 = tf.placeholder(tf.float32) input2 = tf.placeholder(tf.float32) # mul = multiply 是将input1和input2 做乘法运算，并输出为 output ouput = tf.multiply(input1, input2) with tf.Session() as sess: print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]})) # 输出[ 14.] 12345678910

二，小程序：

小程序例子1：

import tensorflow as tf import numpy as np # 例子1，拟合y_data的函数，权重和偏置分别趋近0.1和0.3 # np.random.rand(100)生成100个[0,1]之间的随机数，构成1维数组 # np.random.rand(2,3)生成2行3列的二维数组 x_data = np.random.rand(100).astype(np.float32) y_data = x_data * 0.1 + 0.3 # 权重偏置这些不断更新的值用tf变量存储， # tf.random_uniform()的参数意义：(shape,min,max) # 偏置初始化为0 weights = tf.Variable(tf.random_uniform([1],-1.0,1.0)) biases = tf.Variable(tf.zeros([1])) y = weights * x_data + biases # 损失函数。tf.reduce_mean()是取均值。square是平方。 loss = tf.reduce_mean(tf.square(y - y_data)) # 用梯度优化方法最小化损失函数。 optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss) # tf变量是需要初始化的，而且后边计算时还需要sess.run(init)一下 init = tf.global_variables_initializer() # Session进行计算 with tf.Session() as sess: sess.run(init) for step in range(201): sess.run(train) if step % 20 == 0: print (step, sess.run(weights), sess.run(biases)) 1234567891011121314151617181920212223242526272829303132333435

小程序例子2：

# 例子2，构建一个神经网络 # 添加神经层的函数，它有四个参数：输入值、输入的形状、输出的形状和激励函数， # Wx_plus_b是未激活的值，函数返回激活值。 def add_layer(inputs, in_size, out_size, activation_function=None): # tf.random_normal()参数为shape，还可以指定均值和标准差 Weights = tf.Variable(tf.random_normal([in_size, out_size])) biases = tf.Variable(tf.zeros([1, out_size]) + 0.1) Wx_plus_b = tf.matmul(inputs, Weights) + biases if activation_function is None: outputs = Wx_plus_b else: outputs = activation_function(Wx_plus_b) return outputs # 构建训练数据 # np.linspace()在-1和1之间等差生成300个数字 # noise是正态分布的噪声，前两个参数是正态分布的参数，然后是size x_data = np.linspace(-1,1,300, dtype=np.float32)[:, np.newaxis] noise = np.random.normal(0, 0.05, x_data.shape).astype(np.float32) y_data = np.square(x_data) - 0.5 + noise # 利用占位符定义我们所需的神经网络的输入。 # 第二个参数为shape：None代表行数不定，1是列数。 # 这里的行数就是样本数，列数是每个样本的特征数。 xs = tf.placeholder(tf.float32, [None, 1]) ys = tf.placeholder(tf.float32, [None, 1]) # 输入层1个神经元（因为只有一个特征），隐藏层10个，输出层1个。 # 调用函数定义隐藏层和输出层，输入size是上一层的神经元个数（全连接），输出size是本层个数。 l1 = add_layer(xs, 1, 10, activation_function=tf.nn.relu) prediction = add_layer(l1, 10, 1, activation_function=None) # 计算预测值prediction和真实值的误差，对二者差的平方求和再取平均作为损失函数。 # reduction_indices表示最后数据的压缩维度，好像一般不用这个参数（即降到0维，一个标量）。 loss = tf.reduce_mean(tf.reduce_sum(tf.square(ys - prediction),reduction_indices=[1])) train_step = tf.train.GradientDescentOptimizer(0.1).minimize(loss) # 初始化变量，激活，执行运算 init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for i in range(1000): # training sess.run(train_step,feed_dict={xs:x_data,ys:y_data}) if i % 50 == 0: print sess.run(loss,feed_dict{xs:x_data,ys:y_data})