Tensorflow-基礎使用

清風紫雪發表於2021-01-25

Tensorflow基本概念

  • 使用圖（graphs）來表示計算任務
  • 在被稱之為會話（Session）的上下文（context）中執行圖
  • 使用tensor表示資料
  • 通過變數（Variable）維護狀態
  • 使用feed和fetch可以為任意的操作賦值或者從其中獲取資料

Tensorflow是一個程式設計系統，使用圖（graphs）來表示計算任務，圖（graphs）中的節點稱之為op
（operation），一個op獲得0個或多個Tensor，執行計算，產生0個或多個Tensor。Tensor 看作是
一個 n 維的陣列或列表。圖必須在會話（Session）裡被啟動。

Tensorflow結構

 

 建立圖，啟動圖

#2-1 建立圖，啟動圖
#建立一個常量op
m1=tf.constant([[3,3]])
#建立一個常量op
m2=tf.constant([[2],[3]])
#建立一個矩陣乘法op
product=tf.matmul(m1,m2)
print(product)

with tf.compat.v1.Session() as sess:

    # run(product)觸發了圖中的3個op
    result = sess.run(product)
    print(result)

結果為：

 

 變數

#2-2變數
#建立一個變數初始化0
state=tf.Variable(0,name='counter')
#建立op，作用是使state加1
new_value=tf.add(state,1)
#賦值op
update=tf.compat.v1.assign(state,new_value)

with tf.compat.v1.Session() as sess:
    #變數初始化
    sess.run(tf.compat.v1.global_variables_initializer())
    print(sess.run(state))
    for _ in range(5):
        sess.run(update)
        print(sess.run(state))

輸出為：

 

 Fetch and Feed

#2-3Fetch and Feed
#Fetch
input1=tf.constant(3.0)
input2=tf.constant(2.0)
input3=tf.constant(5.0)

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

with tf.compat.v1.Session() as sess:
    result=sess.run([mul,add])
    print(result)

#Feed
#建立佔位符
input1=tf.compat.v1.placeholder(tf.float32)
input2=tf.compat.v1.placeholder(tf.float32)
output=tf.multiply(input1,input2)

with tf.compat.v1.Session() as sess:
    #feed的資料以字典傳入
    print(sess.run(output,feed_dict={input1:[7.],input2:[2.]}))

輸出為：

 

 線性模型

import numpy as np

#使用np生成100個隨機點
x_data=np.random.rand(100)
y_data=x_data*0.1+0.2

#構造一個線性模型
b=tf.Variable(0.)
k=tf.Variable(0.)
y=k*x_data+b

#二次代價函式
loss=tf.reduce_mean(tf.square(y_data-y))
#定義一個梯度下降法來進行訓練的優化器
optimizer=tf.compat.v1.train.GradientDescentOptimizer(0.2)

#最小化代價函式
train=optimizer.minimize(loss)

#對變數進行初始化
init=tf.compat.v1.global_variables_initializer()

with tf.compat.v1.Session() as sess:
    sess.run(init)
    for step in range(201):
        sess.run(train)
        if step%20==0:
            print(step,sess.run([k,b]))

輸出為：

 

相關文章