TensorFlow 基础架构学习

2018-07-23

— 来自莫烦Python

计算图纸

Tensorflow 首先要定义神经网络的结构, 然后再把数据放入结构当中去运算和 training

tensor

因为TensorFlow是采用数据流图data flow graphs来计算, 所以首先我们得创建一个数
据流流图, 然后再将我们的数据（数据以张量tensor的形式存在）放在数据流图中计算. 节点
Nodes在图中表示数学操作,图中的线edges则表示在节点间相互联系的多维数据数组, 即张
量tensor. 训练模型时tensor会不断的从数据流图中的一个节点flow到另一节点, 这就是
TensorFlow名字的由来.

Tensor张量意义

张量(Tensor):

张量有多种,零阶张量为纯量或标量(scalar) 也就是一个数值.比如 [1]

一阶张量为向量(vector), 比如一维的 [1, 2, 3]

二阶张量为矩阵(matrix), 比如二维的 [[1, 2, 3],[4, 5, 6],[7, 8, 9]]

以此类推, 还有三阶,三维的 …

GradientDecent例子

Tensorflow 是非常重视结构的, 我们得建立好了神经网络的结构, 才能将数字放进去, 运行这个结构.

创建数据

首先, 我们这次需要加载tensorflow和numpy两个模块, 并且使用numpy来创建我们的数据.

import tensorflow as tf
import numpy as np

# create data
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data*0.1 + 0.3

其中, 我们用 tf.Variable 来创建描述 y 的参数. 我们可以把 y_data = x_data*0.1 + 0.3 想象成 y=Weights * x + biases, 然后神经网络也就是学着把Weights变成0.1, biases变成0.3.

搭建模型

Weights = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
biases = tf.Variable(tf.zeros([1]))

y = Weights*x_data + biases

计算误差

接着就是计算 y 和 y_data 的误差:

1	loss = tf.reduce_mean(tf.square(y-y_data))

传播误差

反向传递误差的工作就教给optimizer了, 我们使用的误差传递方法是梯度下降法: Gradient Descent 让后我们使用 optimizer 来进行参数的更新.

1 2	optimizer = tf.train.GradientDescentOptimizer(0.5) train = optimizer.minimize(loss)

训练

到目前为止, 我们只是建立了神经网络的结构, 还没有使用这个结构. 在使用这个结构之前, 我们必须先初始化所有之前定义的Variable, 所以这一步是很重要的!

1 2	# init = tf.initialize_all_variables() # tf 马上就要废弃这种写法 init = tf.global_variables_initializer() # 替换成这样就好

接着,我们再创建会话 Session. 我们会在下一节中详细讲解 Session. 我们用 Session 来执行 init 初始化步骤. 并且, 用 Session 来 run 每一次 training 的数据. 逐步提升神经网络的预测准确性.

sess = tf.Session()
sess.run(init)          # Very important

for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(Weights), sess.run(biases))

运行结果如图:

Placeholder 传入值

placeholder 是 Tensorflow 中的占位符，暂时储存变量

类似形参,规定类型而外部传值

Tensorflow 如果想要从外部传入data, 那就需要用到 tf.placeholder(), 然后以这种形式传输数据 sess.run(***, feed_dict={input: **})

import tensorflow as tf

#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)

接下来, 传值的工作交给了 sess.run() , 需要传入的值放在了feed_dict={} 并一一对应每一个 input.placeholder 与 feed_dict={} 是绑定在一起出现的

1
2
3

with tf.Session() as sess:
    print(sess.run(ouput, feed_dict={input1: [7.], input2: [2.]}))
# result:[ 14.]