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: